Słownik metodologiczny · Ludzie statystyki

Wassily Hoeffding (1914–1991) – kim był i co wniósł do statystyki

Wassily Hoeffding przeżył wojnę w Berlinie jako bezpaństwowiec, a po przyjeździe do USA w 1946 r. stworzył teorię U-statystyk, rangowy test niezależności i nierówność dla sum zmiennych ograniczonych. Przedstawiamy jego drogę, oś czasu i nierówność Hoeffdinga porównaną w R z nierównością Czebyszewa.

Strona główna / Słownik / Wassily Hoeffding
W skrócie: Wassily Hoeffding (1914–1991) – statystyk z Uniwersytetu Karoliny Północnej w Chapel Hill, jeden z twórców statystyki nieparametrycznej: autor teorii U-statystyk (1948), rangowego testu niezależności (statystyka D, 1948) i nierówności ograniczającej prawdopodobieństwo dużego odchylenia sumy zmiennych ograniczonych (1963).

Kim był Wassily Hoeffding?

Wassily Hoeffding (1914–1991) był statystykiem, jednym z twórców statystyki nieparametrycznej. Urodził się 12 czerwca 1914 r. w Mustamäki w Finlandii, gdzie rodzice spędzali lato; mieszkali w Carskim Siole pod Petersburgiem. Ojciec, syn duńskich rodziców, był ekonomistą, matka studiowała medycynę. Przez Ukrainę (1918) i Danię (1920) rodzina trafiła w 1924 r. do Berlina (Fisher i van Zwet, 2005, 2008).

Po maturze (1933) zaczął studiować ekonomię, ale uznał ją za zbyt mało ścisłą i w 1934 r. przeszedł na matematykę na Uniwersytecie Berlińskim. Doktorat o korelacji niezmienniczej względem zmiany skali obronił w 1940 r. Wojnę spędził w Berlinie na dwóch częściowych etatach: w redakcji czasopisma referatowego Jahrbuch über die Fortschritte der Mathematik i w międzyuczelnianym instytucie nauk aktuarialnych. Posady nauczyciela akademickiego nie szukał – od wyjazdu z Rosji był bezpaństwowcem i nie chciał przyjmować obywatelstwa niemieckiego, które było do niej potrzebne (Fisher i van Zwet, 2008).

W lutym 1945 r. wyjechał z matką z Berlina do prowincji Hanower, a we wrześniu 1946 r. przez Szwajcarię dotarł do Nowego Jorku. Od maja 1947 r. do końca życia pracował na Uniwersytecie Karoliny Północnej w Chapel Hill, w wydziale założonym przez Harolda Hotellinga. W 1969 r. był prezesem Institute of Mathematical Statistics, w 1976 r. został członkiem National Academy of Sciences, a w 1979 r. przeszedł na emeryturę. Zmarł 28 lutego 1991 r. (Fisher i van Zwet, 2005, 2008).

Najważniejsze pomysły

  • U-statystyki (1948). U-statystyka to średnia z funkcji (jądra) policzonej dla wszystkich podzbiorów m różnych obserwacji próby. Jest nieobciążonym estymatorem odpowiedniej charakterystyki populacji, a Hoeffding (1948a) pokazał, że przy jedynym warunku skończonego drugiego momentu jądra ma asymptotycznie rozkład normalny. Pojęcie wprowadził wcześniej Halmos (estymatory nieobciążone); tę pracę Hoeffding uważał za swój „prawdziwy” doktorat (Fisher i van Zwet, 2008).
  • Test niezależności (1948). Statystyka D zależy tylko od rang obserwacji i – w przeciwieństwie do korelacji – wykrywa dowolną zależność dwóch zmiennych ciągłych o gładkim rozkładzie łącznym; dla n = 5, 6, 7 autor podał jej dokładny rozkład (Hoeffding, 1948b).
  • Nierówność Hoeffdinga (1963). Górne ograniczenie prawdopodobieństwa, że suma n niezależnych zmiennych ograniczonych przekroczy swoją wartość oczekiwaną o nt. Zależy tylko od końców przedziałów zmiennych (i ewentualnie średniej lub wariancji) i obejmuje też U-statystyki oraz losowanie bez zwracania (Hoeffding, 1963).
  • Testy rangowe i permutacyjne. Pokazał m.in., że testy permutacyjne mają asymptotycznie taką moc jak ich parametryczne odpowiedniki (Fisher i van Zwet, 2008).

Ciekawostka

Wojna rozdzieliła rodzinę Hoeffdingów. Młodszy brat Wassily’ego, Oleg, spędził ją w Anglii, w dziale ekonomicznym ambasady USA, a potem w amerykańskim wywiadzie. Pod koniec wojny Wassily i jego matka przeżyli w Berlinie bardzo ciężki nalot; Ildarowi Ibragimowowi Hoeffding opowiadał później, że dowiedział się, iż w planowaniu tego nalotu uczestniczył Oleg. Ojciec, długo pracujący dla amerykańskiego attaché handlowego, został w Berlinie i został aresztowany przez sowiecką służbę bezpieczeństwa; później uciekł z więzienia w Poczdamie (Fisher i van Zwet, 2008).

W Hanowerze Wassily poprosił Olega o przysłanie właśnie wydanego pierwszego tomu The Advanced Theory of Statistics Maurice’a Kendalla – i tam napisał pracę o asymptotycznej normalności tau Kendalla. W Nowym Jorku słuchał wykładów Walda i Neymana na Columbii, a ofertę z Chapel Hill dostał listownie: Hotelling nie zapraszał go nawet na rozmowę, bo zaimponował mu doktorat ze statystyki matematycznej z Niemiec (Fisher i van Zwet, 2008).

Przykład: trzy odpowiedzi na pytanie „jak daleko od prawdy?”

Nierówność Czebyszewa ogranicza to ryzyko przez σ²/(nt²), nierówność Hoeffdinga – dla zmiennych z przedziału o szerokości b − a – przez 2·exp(−2nt²/(b − a)²). Porównujemy obie granice z faktycznym prawdopodobieństwem.

Odsetek w sondażu. Gdy w populacji odsetek wynosi 50%, faktyczne prawdopodobieństwo odchylenia o co najmniej 5 punktów procentowych liczymy dokładnie z rozkładu dwumianowego. Przy n = 400 wynosi .0510, granica Czebyszewa – .250, Hoeffdinga – .271; przy n = 800 odpowiednio .0052, .125 i .0366. Pytanie praktyczne: ile osób, żeby z prawdopodobieństwem .95 odsetek nie odbiegał od prawdy o więcej niż 3 punkty? Czebyszew gwarantuje to przy 5556 osobach, Hoeffding – przy 2050, a dokładny rachunek daje 1084 (od tej liczebności dla każdej większej próby).

Średnia ocen 1–5. Symulujemy 100 000 prób po 50 odpowiedzi na skali 1–5 o skośnym rozkładzie (5%, 10%, 20%, 35%, 30%, dobrane przez nas; μ = 3.75, σ² = 1.288; set.seed(1963)). Odchylenie średniej o co najmniej 0.4 punktu zdarzyło się w 1.3% prób (.01255), Czebyszew dopuszcza .161, Hoeffding – .736. Tu Hoeffding przegrywa, bo zna tylko zakres skali (4 punkty), a nie małą wariancję; granice zrównują się przy t = 0.79, a przy t = 1 Hoeffding daje .0039, Czebyszew .0258.

Na koniec U-statystyka „w miniaturze”: średnia z (xi − xj)²/2 po wszystkich 28 parach ośmiu ocen wynosi 1.554 – dokładnie tyle, co wariancja z próby liczona z dzielnikiem n − 1.

Na rysunku

Oś czasu od 1914 do 1991: 1914 urodził się w Mustamäki; 1920 rodzina w Danii; 1924 rodzina w Berlinie; 1934 studia matematyczne w Berlinie; 1940 doktorat oraz praca w Jahrbuch i instytucie aktuarialnym; 1945 wyjazd z Berlina do prowincji Hanower; 1946 przyjazd do Nowego Jorku; 1947 Chapel Hill na zaproszenie Hotellinga; 1948 U-statystyki i test niezależności; 1963 nierówność Hoeffdinga; 1969 prezes IMS; 1976 National Academy of Sciences; 1979 emerytura; 1991 zmarł w Chapel Hill. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Wassily Hoeffding (1914–1991). Lata według Fishera i van Zweta (2005, 2008) oraz dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Dzieciństwo w drodze, wojna, potem ponad 40 lat w Chapel Hill.

Na co uważać. Mustamäki leży dziś w Rosji, a w akcie urodzenia jako miejsce urodzenia wpisano Petersburg (Fisher i van Zwet, 2008).

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Wassily’ego Hoeffdinga (1914–1991). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele w skali logarytmicznej osi pionowej. A: prawdopodobieństwo, że odsetek w próbie odbiegnie od 0.5 o co najmniej 0.05, dla n od 10 do 1000; niebieska ciągła linia faktycznego prawdopodobieństwa spada prosto do około .0016; pomarańczowa przerywana linia granicy Czebyszewa opada wolno do .10; zielona linia kreska-kropka granicy Hoeffdinga zaczyna się na 1, przecina granicę Czebyszewa przy nieco ponad 400 osobach i spada do około .013; pozioma szara linia na poziomie .05. B: prawdopodobieństwo odchylenia średniej ocen 1–5 z 50 odpowiedzi o co najmniej t, dla t od 0.05 do 1; faktyczne prawdopodobieństwo z symulacji spada najszybciej, poniżej .0001 przy t około 0.7; granica Czebyszewa leży niżej od granicy Hoeffdinga aż do t około 0.79, potem wyżej
Rysunek 2. Faktyczne prawdopodobieństwo dużego odchylenia średniej oraz granice Czebyszewa i Hoeffdinga: odsetek 50% w populacji i t = 0.05 w funkcji n (A, rachunek dokładny) i średnia ocen 1–5 przy n = 50 w funkcji t (B, symulacja). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork (set.seed(1963), 100 000 prób).

Co widać. Faktyczne prawdopodobieństwo leży znacznie niżej niż obie granice. W panelu A granica Hoeffdinga maleje wykładniczo i przy dużych n jest znacznie ostrzejsza niż Czebyszewa. W panelu B przy małych odchyleniach jest odwrotnie: Hoeffding zna tylko szerokość skali.

Na co uważać. Granica to gwarancja dla najgorszego przypadku, nie oszacowanie. Linia faktyczna w panelu B urywa się tam, gdzie w 100 000 prób nie było już tak dużego odchylenia.

Podpis do pracy:

Rysunek 2. Prawdopodobieństwo odchylenia średniej od wartości oczekiwanej o co najmniej t: wartości faktyczne oraz granice Czebyszewa i Hoeffdinga dla odsetka (50% w populacji, t = 0.05; A) i średniej ocen na skali 1–5 (n = 50; B). Uwaga. Skala logarytmiczna; panel B – symulacja, 100 000 prób.

Gdzie spotkasz Hoeffdinga w swojej pracy

  • Liczebność próby bez założeń o rozkładzie. Gdy zmienna jest ograniczona (odsetek, ocena na skali Likerta), wzór n ≥ ln(2/α)/(2t²) daje bezpieczną liczebność – zwykle większą niż potrzebna. Do planowania sondażu zwykle wystarcza margines błędu z przybliżenia normalnego.
  • U-statystyki. Wariancja z próby, tau Kendalla i statystyka testu Manna–Whitneya to U-statystyki; ich asymptotyczna normalność wynika z pracy z 1948 r.
  • Zależność nieliniowa. D Hoeffdinga sprawdza niezależność dwóch zmiennych ciągłych także wtedy, gdy korelacja Pearsona i Spearmana są bliskie zera, a zależność ma kształt litery U.
  • Uczenie maszynowe. Praca z 1963 r. jest jedną z najczęściej cytowanych w informatyce (Fisher i van Zwet, 2008).

Spory, mity i trudne strony

  • Lata wojny. Cytowane źródła nie przypisują Hoeffdingowi udziału w pracach wojskowych. Jego wczesne prace ukazały się w uniwersyteckiej serii wydawniczej i poza Niemcami były prawie nieznane, a część wyników odkryli po latach inni (Fisher i van Zwet, 2008).
Przykład reprodukowalny

Nierówność Hoeffdinga w R

Kod liczy dokładne prawdopodobieństwa dla odsetka z rozkładu dwumianowego, granice Czebyszewa i Hoeffdinga, wymaganą liczebność próby, symuluje średnie ocen 1–5, pokazuje wariancję jako U-statystykę 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. Ziarna: set.seed(1963) i set.seed(48).

1. Granice Czebyszewa i Hoeffdinga a faktyczne prawdopodobieństwo: rysunek 2

Dane wejściowe: rachunek dokładny dla rozkładu dwumianowego (odsetek 50%) i symulacja – 100 000 prób po 50 odpowiedzi na skali 1–5 z prawdopodobieństwami .05, .10, .20, .35, .30.

Co odczytać: tabelę prawdopodobieństw dla n = 50–800; liczebności gwarantujące margines 3 punktów; tabelę dla średniej ocen; punkt zrównania granic; równość U-statystyki i wariancji.

Kod R rysunku 2
# Nierówność Hoeffdinga vs nierówność Czebyszewa vs faktyczne prawdopodobieństwo odchylenia średniej
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(dokladne = "#0072B2", hoeffding = "#D55E00", czebyszew = "#009E73")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")

# Zmienne ograniczone do przedziału [a, b], średnia z n niezależnych obserwacji, odchylenie o co najmniej t:
#   Hoeffding (1963):  P(|M − μ| ≥ t) ≤ 2·exp(−2·n·t² / (b − a)²)
#   Czebyszew:         P(|M − μ| ≥ t) ≤ σ² / (n·t²)
hoeffding <- function(n, t, zakres = 1) pmin(1, 2 * exp(-2 * n * t^2 / zakres^2))
czebyszew <- function(n, t, sigma2) pmin(1, sigma2 / (n * t^2))

# 1. Odsetek w sondażu (w populacji 50%): dokładne prawdopodobieństwo z rozkładu dwumianowego
p <- 0.5; t <- 0.05
dokladne <- function(n, p, t) {
  k <- 0:n
  sum(dbinom(k, n, p)[abs(k / n - p) >= t - 1e-12])
}
tab <- data.frame(n = c(50, 100, 200, 400, 800))
tab$dokladne <- sapply(tab$n, dokladne, p = p, t = t)
tab$hoeffding <- hoeffding(tab$n, t)
tab$czebyszew <- czebyszew(tab$n, t, p * (1 - p))
round(tab, 4)

# 2. Ile osób, żeby z prawdopodobieństwem co najmniej .95 odsetek nie odbiegał od prawdy o 3 punkty procentowe?
t3 <- 0.03; alfa <- 0.05
n_czebyszew <- ceiling(0.25 / (alfa * t3^2))
n_hoeffding <- ceiling(log(2 / alfa) / (2 * t3^2))
# rozkład dwumianowy jest skokowy, więc szukamy n, od którego warunek jest spełniony dla każdego większego n
pr_dokl <- sapply(1:3000, dokladne, p = p, t = t3)
n_dokladne <- max(which(pr_dokl > alfa)) + 1
c(Czebyszew = n_czebyszew, Hoeffding = n_hoeffding, dokladnie_p_0.5 = n_dokladne)

# 3. Ocena na skali 1–5 (zakres 4), skośny rozkład odpowiedzi – symulacja
odp <- 1:5; pr <- c(0.05, 0.10, 0.20, 0.35, 0.30)
mu <- sum(odp * pr); s2 <- sum((odp - mu)^2 * pr)
round(c(srednia = mu, wariancja = s2), 3)
set.seed(1963)
n5 <- 50; R <- 100000
srednie <- colMeans(matrix(sample(odp, n5 * R, replace = TRUE, prob = pr), nrow = n5))
progi <- seq(0.1, 1, by = 0.1)
sym <- data.frame(t = progi,
                  symulacja = sapply(progi, function(tt) mean(abs(srednie - mu) >= tt)),
                  hoeffding = hoeffding(n5, progi, zakres = 4),
                  czebyszew = czebyszew(n5, progi, s2))
round(sym[c(2, 4, 6, 7, 8, 10), ], 5)
# od jakiego t granica Hoeffdinga jest niższa niż Czebyszewa?
uniroot(function(tt) hoeffding(n5, tt, zakres = 4) - czebyszew(n5, tt, s2), c(0.5, 1))$root

# 4. U-statystyka: wariancja z próby to średnia z (x_i − x_j)² / 2 po wszystkich parach
set.seed(48)
x <- sample(odp, 8, replace = TRUE, prob = pr)
x
pary <- combn(length(x), 2)
c(U_statystyka = mean((x[pary[1, ]] - x[pary[2, ]])^2 / 2), var_x = var(x))

# Rysunek: A – odsetek 50% w populacji, t = 0.05, w funkcji n; B – średnia ocen (n = 50) w funkcji t
dA <- data.frame(n = seq(10, 1000, by = 10))
dA$dokladne <- sapply(dA$n, dokladne, p = p, t = t)
dA$hoeffding <- hoeffding(dA$n, t)
dA$czebyszew <- czebyszew(dA$n, t, p * (1 - p))
dl <- function(d, x) rbind(data.frame(x = d[[x]], p = d$dokladne, metoda = "faktyczne"),
                           data.frame(x = d[[x]], p = d$hoeffding, metoda = "granica Hoeffdinga"),
                           data.frame(x = d[[x]], p = d$czebyszew, metoda = "granica Czebyszewa"))
skale <- list(scale_colour_manual(values = unname(kol), name = NULL),
              scale_linetype_manual(values = c("solid", "22", "4212"), name = NULL),
              scale_y_log10(breaks = 10^(-6:0), labels = c("0.000001", "0.00001", "0.0001", "0.001", "0.01", "0.1", "1")))
pA <- ggplot(dl(dA, "n"), aes(x, p, colour = metoda, linetype = metoda)) +
  geom_hline(yintercept = 0.05, colour = "grey60") +
  geom_line(linewidth = 0.9) + skale +
  coord_cartesian(ylim = c(1e-6, 1)) +
  labs(title = "A. Odsetek 50%: P(|odsetek − 0.5| ≥ 0.05)", x = "Liczebność próby n", y = "Prawdopodobieństwo") +
  motyw
sym2 <- data.frame(t = seq(0.05, 1, by = 0.01))
sym2$dokladne <- sapply(sym2$t, function(tt) mean(abs(srednie - mu) >= tt))
sym2$hoeffding <- hoeffding(n5, sym2$t, zakres = 4)
sym2$czebyszew <- czebyszew(n5, sym2$t, s2)
sym2$dokladne[sym2$dokladne == 0] <- NA
pB <- ggplot(dl(sym2, "t"), aes(x, p, colour = metoda, linetype = metoda)) +
  geom_line(linewidth = 0.9, na.rm = TRUE) + skale +
  coord_cartesian(ylim = c(1e-6, 1)) +
  labs(title = "B. Średnia ocen 1–5 (n = 50)", x = "Odchylenie t (punkty skali)", y = "Prawdopodobieństwo") +
  motyw
p2 <- pA + pB + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p2
Wynik w R
    n dokladne hoeffding czebyszew
1  50   0.4799    1.0000     1.000
2 100   0.3682    1.0000     1.000
3 200   0.1790    0.7358     0.500
4 400   0.0510    0.2707     0.250
5 800   0.0052    0.0366     0.125
      Czebyszew       Hoeffding dokladnie_p_0.5 
           5556            2050            1084 
  srednia wariancja 
    3.750     1.288 
     t symulacja hoeffding czebyszew
2  0.2   0.21118   1.00000   0.64375
4  0.4   0.01255   0.73576   0.16094
6  0.6   0.00021   0.21080   0.07153
7  0.7   0.00004   0.09354   0.05255
8  0.8   0.00000   0.03663   0.04023
10 1.0   0.00000   0.00386   0.02575
[1] 0.7873258
[1] 5 4 4 5 4 4 1 4
U_statystyka        var_x 
    1.553571     1.553571 

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Wassily Hoeffding (1914–1991) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1914, 1920, 1924, 1934, 1940, 1945, 1946, 1947, 1948, 1963, 1969, 1976, 1979, 1991),
  opis = c("urodził się\nw Mustamäki", "rodzina\nw Danii", "rodzina\nw Berlinie", "studia matematyczne\nw Berlinie",
           "doktorat; Jahrbuch\ni instytut aktuarialny", "wyjazd z Berlina\n(prowincja Hanower)", "przyjazd\ndo Nowego Jorku",
           "Chapel Hill\n(zaproszenie Hotellinga)", "U-statystyki;\ntest niezależności", "nierówność\nHoeffdinga",
           "prezes IMS", "National Academy\nof Sciences", "emerytura", "zmarł\nw Chapel Hill"),
  rodzaj = c("życie", "życie", "życie", "praca", "praca", "życie", "życie", "praca", "publikacja", "publikacja",
             "wyróżnienie", "wyróżnienie", "praca", "życie"),
  poziom = c(0.5, -0.5, 1.3, -1.5, 0.5, -0.5, 1.3, -1.5, 0.5, -0.5, 1.3, -1.5, 0.5, -0.5),   # wysokość etykiety
  wyrownanie = c(0.3, 0.5, 0.5, 0.5, 0.9, 0.5, 0.5, 0.5, 0.1, 0.5, 0.5, 0.5, 0.5, 0.7))
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(1908, 1997), breaks = seq(1910, 1990, by = 10)) +
  scale_y_continuous(limits = c(-2.4, 2.2)) +
  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")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (rozkład dwumianowy – dbinom(), losowanie – sample(), pierwiastek równania – uniroot() z pakietów stats i base; 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 Wassily Hoeffding?

Statystykiem (1914–1991), jednym z twórców statystyki nieparametrycznej. Urodził się w Mustamäki w Finlandii, wychował w Danii i Berlinie, doktoryzował się w Berlinie w 1940 r., a od 1947 r. do końca życia pracował na Uniwersytecie Karoliny Północnej w Chapel Hill (Fisher i van Zwet, 2008).

Co mówi nierówność Hoeffdinga?

Że dla średniej z n niezależnych zmiennych z przedziału o szerokości b − a prawdopodobieństwo odchylenia od wartości oczekiwanej o co najmniej t nie przekracza 2·exp(−2nt²/(b − a)²). Dla odsetka i marginesu 3 punktów procentowych daje to gwarancję przy 2050 osobach, a nierówność Czebyszewa – przy 5556.

Co to są U-statystyki?

Średnie z funkcji policzonej dla wszystkich par (lub trójek itd.) różnych obserwacji próby. Są nieobciążonymi estymatorami; przykładami są wariancja z próby, tau Kendalla i statystyka U Manna–Whitneya. Hoeffding (1948) udowodnił, że przy skończonym drugim momencie mają asymptotycznie rozkład normalny.

Co robił Hoeffding w czasie II wojny światowej?

Był w Berlinie bezpaństwowcem i pracował na dwóch częściowych etatach: w redakcji czasopisma referatowego Jahrbuch über die Fortschritte der Mathematik i w instytucie nauk aktuarialnych. W lutym 1945 r. wyjechał z matką do prowincji Hanower, a we wrześniu 1946 r. dotarł do Nowego Jorku (Fisher i van Zwet, 2008).

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. Fisher, N. I., & van Zwet, W. R. (2005). Wassily Hoeffding 1914–1991. Biographical Memoirs. https://www.nasonline.org/wp-content/uploads/2024/06/hoeffding-wassily.pdf ● Otwarty dostęp
  2. Fisher, N. I., & van Zwet, W. R. (2008). Remembering Wassily Hoeffding. Statistical Science, 23(4), 536–547. https://doi.org/10.1214/08-sts271 ● Otwarty dostęp: pełny tekst
  3. Hoeffding, W. (1948a). A class of statistics with asymptotically normal distribution. The Annals of Mathematical Statistics, 19(3), 293–325. https://doi.org/10.1214/aoms/1177730196 ● Otwarty dostęp
  4. Hoeffding, W. (1948b). A non-parametric test of independence. The Annals of Mathematical Statistics, 19(4), 546–557. https://doi.org/10.1214/aoms/1177730150 ● Otwarty dostęp
  5. Hoeffding, W. (1963). Probability inequalities for sums of bounded random variables. Journal of the American Statistical Association, 58(301), 13–30. https://doi.org/10.1080/01621459.1963.10500830

Cytowania BibTeX

@misc{fisher2005hoeffding, author={Fisher, Nicholas I. and van Zwet, Willem R.}, title={{Wassily Hoeffding 1914–1991}}, howpublished={Biographical Memoirs}, year={2005}, volume={86}, publisher={National Academies Press}, url={https://www.nasonline.org/wp-content/uploads/2024/06/hoeffding-wassily.pdf}}
@article{fisher2008remembering, author={Fisher, Nicholas I. and van Zwet, Willem R.}, title={{Remembering Wassily Hoeffding}}, journal={Statistical Science}, year={2008}, volume={23}, number={4}, pages={536--547}, doi={10.1214/08-sts271}}
@article{hoeffding1948class, author={Hoeffding, Wassily}, title={{A class of statistics with asymptotically normal distribution}}, journal={The Annals of Mathematical Statistics}, year={1948}, volume={19}, number={3}, pages={293--325}, doi={10.1214/aoms/1177730196}}
@article{hoeffding1948nonparametric, author={Hoeffding, Wassily}, title={{A non-parametric test of independence}}, journal={The Annals of Mathematical Statistics}, year={1948}, volume={19}, number={4}, pages={546--557}, doi={10.1214/aoms/1177730150}}
@article{hoeffding1963probability, author={Hoeffding, Wassily}, title={{Probability inequalities for sums of bounded random variables}}, journal={Journal of the American Statistical Association}, year={1963}, volume={58}, number={301}, pages={13--30}, doi={10.1080/01621459.1963.10500830}}
R