Słownik metodologiczny · Ludzie statystyki

Władysław Bortkiewicz (1868–1931) – kim był i co wniósł do statystyki

Władysław Bortkiewicz rozsławił rozkład Poissona przykładem żołnierzy zabitych kopnięciem konia. Opisujemy jego drogę z Petersburga do Berlina, „prawo małych liczb”, prace z ekonomii i spory, a w R dopasowujemy rozkład Poissona do jego danych.

Strona główna / Słownik / Władysław Bortkiewicz
W skrócie: Władysław Bortkiewicz (1868–1931) – statystyk i ekonomista z polskiej rodziny, poddany cara, profesor w Berlinie. W książce Das Gesetz der kleinen Zahlen (1898) pokazał, że liczebności zdarzeń rzadkich – np. zgonów żołnierzy od kopnięcia konia – opisuje rozkład Poissona, nawet gdy ryzyko w jednostkach się różni („prawo małych liczb”).

Kim był Władysław Bortkiewicz?

Władysław Bortkiewicz (1868–1931) był statystykiem i ekonomistą, którego studenci znają z jednego przykładu: zgonów żołnierzy pruskich od kopnięcia konia, opisanych rozkładem Poissona. Pochodził z polskiej rodziny, był poddanym cara, a większą część życia zawodowego spędził w Niemczech. Stąd trzy zapisy nazwiska: polski, rosyjski (Władisław Iosifowicz Bortkiewicz) i niemiecki (Ladislaus von Bortkiewicz, Bortkewitsch). Ostasiewicz (2016) zauważa, że sam podpisywał większość prac polską formą nazwiska, choć na okładce jego najsłynniejszej książki widnieje „von Bortkewitsch”.

W 1890 r. ukończył prawo na uniwersytecie w Petersburgu. Po krótkim pobycie w Strasburgu wybrał Getyngę i ekonomistę-statystyka Wilhelma Lexisa; pod jego opieką obronił w 1893 r. doktorat o średnim czasie trwania życia. Po habilitacji uczył w Strasburgu jako privatdozent aktuariatu i statystyki matematycznej, w 1897 r. wrócił do Petersburga (praca w ministerstwie i wykłady w Liceum Aleksandryjskim), a na przełomie wieków przyjął profesurę – najpierw nadzwyczajną – na uniwersytecie w Berlinie, gdzie pozostał do śmierci w 1931 r. (Ostasiewicz, 2016). Härdle i Vogt (2015) opisują go jako uczonego z pogranicza ekonomii, stochastyki, statystyki matematycznej i radiologii; jego uczniami byli m.in. Emil Gumbel i Wassily Leontief.

Według wspomnień przyjaciółki, Emmy Woytinsky, przytaczanych przez Ostasiewicz (2016), współcześni nazywali go „papieżem statystyki” – był surowym, budzącym respekt krytykiem cudzych prac.

Najważniejsze pomysły

  • Prawo małych liczb (1898). W książce Das Gesetz der kleinen Zahlen (Bortkiewicz, 1898) rozwijał teorię Lexisa o stabilności szeregów statystycznych. Lexis porównywał wariancję obserwowaną z wariancją, jakiej należałoby oczekiwać przy stałym prawdopodobieństwie zdarzenia. Bortkiewicz pokazał, że liczebności zdarzeń rzadkich – zgonów od kopnięć koni, samobójstw dzieci – dobrze opisuje rozkład Poissona, a ich rozproszenie jest „normalne”. Sedno prawa: przy naprawdę rzadkich zdarzeniach rozkład Poissona pasuje nawet wtedy, gdy prawdopodobieństwa w poszczególnych jednostkach się różnią (Ostasiewicz, 2016).
  • Popularyzacja rozkładu Poissona. Wzór był znany wcześniej, ale to Bortkiewicz zastosował mało wtedy znany rozkład do danych (Härdle i Vogt, 2015).
  • Ekonomia. W 1907 r. zaproponował poprawkę do schematu przekształcania wartości w ceny z III tomu „Kapitału” Marksa; w 1920 r. pisał o miarach koncentracji dochodów, co wciągnęło go w spór o pierwszeństwo z Corrado Ginim (zob. indeks Giniego).
  • Promieniotwórczość i wartości skrajne. W książce z 1913 r. pokazywał, że rozpad promieniotwórczy zachowuje się zgodnie z czysto losowym modelem; uważa się go też za prekursora teorii wartości ekstremalnych, którą rozwinął jego uczeń Gumbel (Ostasiewicz, 2016).

Przykład na historycznych danych: kopnięcia koni

Zbiór HorseKicks z pakietu vcd to według pliku pomocy dane Bortkiewicza (1898): liczba zgonów od kopnięcia konia lub muła w 10 z 14 opisanych korpusów armii pruskiej, łącznie 200 korpuso-lat (10 korpusów × 20 lat). W 109 korpuso-latach nie zginął nikt, w 65 – jedna osoba, w 22 – dwie, w 3 – trzy, w 1 – cztery.

Średnia liczba zgonów na korpuso-rok wynosi λ = 0.61, a wariancja 0.611 – stosunek wariancji do średniej to 1.0016. W rozkładzie Poissona oba są równe, więc test nadmiernego rozproszenia nie daje podstaw do jego stwierdzenia: χ²(199) = 199.31, p = .480. Liczebności oczekiwane (108.7, 66.3, 20.2, 4.1 i 0.7) są bardzo bliskie obserwowanym. Test zgodności chi-kwadrat po połączeniu klas „3” i „4+” (oczekiwane poniżej 5) daje χ²(2) = 0.32, p = .851; jeden stopień swobody odejmujesz za oszacowane λ. Wersja z ilorazem wiarygodności z funkcji goodfit() daje G² (3) = 0.87, p = .833.

W kodzie jest też symulacja „prawa małych liczb”: 1000 razy losujemy 200 jednostek, z których każda ma inne ryzyko λi z przedziału od 0.2 do 1.0 (przedział dobrany ręcznie tak, by średnia była bliska 0.61; ziarno 793). Mimo zróżnicowania ryzyka średni stosunek wariancji do średniej wynosi 1.093, a test wykrywa nadmierną dyspersję tylko w 24.1% powtórzeń (błąd Monte Carlo ok. 1.4 pp.). Przy zdarzeniach tak rzadkich różnice ryzyka między jednostkami słabo widać w danych.

Na rysunku

Pozioma oś czasu życia i prac Władysława Bortkiewicza od 1868 do 1931: 1868 urodzony, 1890 dyplom prawa w Petersburgu, 1893 doktorat u Lexisa w Getyndze, 1897 powrót do Petersburga, 1898 Das Gesetz der kleinen Zahlen, około 1900 profesor w Berlinie, 1907 poprawka do schematu Marksa, 1913 promieniotwórczość jako zjawisko losowe, 1920 miary nierówności i spór z Ginim, 1931 zmarł w wieku 63 lat; kółka oznaczają zdarzenia z życia, kwadraty stanowiska, trójkąty prace
Rysunek 1. Oś czasu: Władysław Bortkiewicz (1868–1931). Lata według Ostasiewicz (2016), Härdle’a i Vogt (2015) i katalogowego opisu książki z 1898 r. Rysunek: R, pakiet ggplot2.

Co widać. Najsłynniejsza praca powstała między Strasburgiem a Berlinem; późniejsze lata to ekonomia, promieniotwórczość i nierówności.

Na co uważać. Daty przejścia do Berlina nie potwierdziliśmy w przeczytanych źródłach (Ostasiewicz pisze o „przełomie wieków”), dlatego zdarzenie oznaczono „ok. 1900”. Nie podajemy też roku habilitacji ani dokładnych dat urodzin i śmierci.

Podpis do pracy:

Rysunek 1. Najważniejsze zdarzenia z życia i pracy naukowej Władysława Bortkiewicza (1868–1931). Uwaga. Kółka – zdarzenia z życia, kwadraty – stanowiska, trójkąty – prace; przeniesienie do Berlina datowane w przybliżeniu.
Dwa panele. A: szare słupki liczby korpuso-lat z 0, 1, 2, 3 i 4 zgonami od kopnięcia konia (109, 65, 22, 3, 1) i niebieskie trójkąty liczebności oczekiwanych w rozkładzie Poissona z λ = 0.61 (108.7, 66.3, 20.2, 4.1, 0.7), z etykietami obserwowane / oczekiwane. B: wiszący rootogram – słupki pierwiastka z liczebności obserwowanych zawieszone na niebieskiej krzywej pierwiastka z liczebności oczekiwanych; dolne końce słupków leżą blisko przerywanej linii zera
Rysunek 2. Zgony od kopnięcia konia w 200 korpuso-latach armii pruskiej: liczebności obserwowane i oczekiwane w rozkładzie Poissona (A) oraz wiszący rootogram (B). Rysunek: R, pakiety vcd, ggplot2 i patchwork (dane historyczne vcd::HorseKicks, bez losowania).

Co widać. Na panelu A słupki i trójkąty prawie się pokrywają. Panel B jest czulszy: słupki pierwiastków liczebności wiszą na krzywej oczekiwanej, więc dopasowanie ocenia się po tym, jak daleko ich dolne końce odchodzą od zera. Tu są blisko zera w każdej klasie; największe odejście dotyczy klasy z trzema zgonami (3 zamiast 4.1).

Na co uważać. Dobre dopasowanie dotyczy wybranych 10 korpusów (zob. niżej). Przy 200 obserwacjach i średniej 0.61 test ma też małą moc – symulacja pokazała, że łatwo przeoczyć różnice ryzyka między jednostkami.

Podpis do pracy:

Rysunek 2. Liczba zgonów od kopnięcia konia w korpusach armii pruskiej (200 korpuso-lat; Bortkiewicz, 1898) i liczebności oczekiwane w rozkładzie Poissona (λ = 0.61). Uwaga. Panel A: słupki – liczebności obserwowane, trójkąty – oczekiwane; etykiety: obserwowane / oczekiwane. Panel B: wiszący rootogram – słupki pierwiastków liczebności obserwowanych zawieszone na krzywej pierwiastków liczebności oczekiwanych.

Gdzie spotkasz Bortkiewicza w swojej pracy

Spory, mity i trudne strony

Wybór korpusów. W popularnej wersji danych jest 10 z 14 korpusów. Plik pomocy pakietu vcd podaje, że 4 korpusów nie uwzględnił Fisher w podręczniku z 1925 r., bo miały inną organizację. Ostasiewicz (2016) pisze, że cztery jednostki pominął już sam Bortkiewicz, i za Quine’em i Senetą wyjaśnia, że różniły się liczbą szwadronów, więc nie był to dobór pod wynik. Ta sama autorka wspomina, że już w 1914 r. pokazano lepsze dopasowanie rozkładu ujemnego dwumianowego.

Co właściwie udowodnił. Historycy nie są zgodni, czy obliczenia Bortkiewicza wsparły kryterium dyspersji Lexisa, czy raczej pokazały jego słabość (Ostasiewicz, 2016). Pewne jest, że „prawo małych liczb” w jego rozumieniu nie oznaczało po prostu rozkładu Poissona.

Spory o pierwszeństwo. Bortkiewicz bronił pierwszeństwa Friedricha Helmerta w opisie rozkładu chi-kwadrat przed Karlem Pearsonem, którego podejście do statystyki krytykował. Sam z kolei przegrał spór z Ginim o miary nierówności – zarzucano mu zapożyczenie, a on twierdził, że nie znał prac Giniego (Ostasiewicz, 2016). Z Bortkiewiczem utrzymywał kontakt Jerzy Spława-Neyman, który za jego największe osiągnięcie uważał prace z teorii prawdopodobieństwa.

Przykład reprodukowalny

Władysław Bortkiewicz w R: rozkład Poissona i kopnięcia koni

Kod rysuje oś czasu, liczy średnią, wariancję i test nadmiernej dyspersji, liczebności oczekiwane i test zgodności χ² (ręcznie i funkcją goodfit()), przeprowadza symulację „prawa małych liczb” i 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, dopasowanie rozkładu Poissona i symulacja

Dane wejściowe: data("HorseKicks", package = "vcd") – zgony od kopnięcia konia w 200 korpuso-latach (według pliku pomocy: dane Bortkiewicza z 1898 r., 10 z 14 korpusów armii pruskiej); symulacja: 1000 powtórzeń po 200 jednostek, λi ~ U(0.2; 1.0) – przedział ustawiony ręcznie, set.seed(793).

Co odczytać: λ, wariancję i ich stosunek, test dyspersji, tabelę liczebności oczekiwanych, χ² zgodności, G² z goodfit() oraz średni stosunek wariancji do średniej i odsetek wykrytych nadmiernych dyspersji w symulacji.

Kod R (obliczenia i rysunki 1–2)
# Władysław Bortkiewicz: oś czasu i rozkład Poissona na danych o kopnięciach koni (vcd::HorseKicks)
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")
minus <- function(x) sub("-", "\u2212", x)
# --- Rysunek 1: oś czasu (lata ze źródeł cytowanych na stronie) ---
zdarzenia <- data.frame(
  rok = c(1868, 1890, 1893, 1897, 1898, 1900, 1907, 1913, 1920, 1931),
  opis = c("urodzony", "dyplom prawa\nw Petersburgu", "doktorat u Lexisa\n(Getynga)",
           "powrót do\nPetersburga", "Das Gesetz der\nkleinen Zahlen", "przełom wieków:\nprofesor w Berlinie",
           "poprawka do\nschematu Marksa", "promieniotwórczość\njako zjawisko losowe",
           "miary nierówności\n(spór z Ginim)", "zmarł w wieku 63 lat"),
  rodzaj = c("życie", "życie", "stanowisko", "stanowisko", "metoda", "stanowisko", "metoda", "metoda",
             "metoda", "życie"),
  poziom = c(1, -1, 1.9, -1.9, 1, -1, 1.9, -1.9, 1, -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(ifelse(rok == 1900, "ok. 1900", 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(1870, 1930, 10), limits = c(1862, 1937)) +
  scale_y_continuous(limits = c(-2.5, 2.5)) +
  labs(title = "Władysław Bortkiewicz (1868–1931)", x = NULL, y = NULL) +
  motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank())
# --- Dane: zgony od kopnięcia konia, 10 korpusów armii pruskiej × 20 lat = 200 korpuso-lat ---
data("HorseKicks", package = "vcd")
obs <- as.vector(HorseKicks); k <- 0:4; n <- sum(obs)
zgony <- rep(k, obs)                      # 200 obserwacji: liczba zgonów w korpuso-roku
lambda <- mean(zgony)
round(c(n = n, lambda = lambda, wariancja = var(zgony), D = var(zgony) / lambda), 4)
# Test nadmiernej dyspersji: (n − 1)·s² / średnia ~ χ²(n − 1), gdy dane są z rozkładu Poissona
chi_D <- (n - 1) * var(zgony) / lambda
round(c(chi2 = chi_D, df = n - 1, p = pchisq(chi_D, n - 1, lower.tail = FALSE)), 3)
# Oczekiwane liczebności Poissona (ostatnia klasa: 4 i więcej); test zgodności χ² (3 i 4+ łączymy: oczekiwane < 5)
e <- n * dpois(k, lambda); e[5] <- n * ppois(3, lambda, lower.tail = FALSE)
round(data.frame(k, obs, oczek = e), 2)
o3 <- c(obs[1:3], sum(obs[4:5])); e3 <- c(e[1:3], sum(e[4:5]))
chi_P <- sum((o3 - e3)^2 / e3)
round(c(chi2 = chi_P, df = 4 - 1 - 1, p = pchisq(chi_P, 2, lower.tail = FALSE)), 3)
# To samo funkcją goodfit() z pakietu vcd (iloraz wiarygodności, λ z największej wiarygodności)
summary(goodfit(HorseKicks, type = "poisson"))
# --- „Prawo małych liczb” w symulacji: 1000 razy po 200 korpuso-lat, każdy z INNYM ryzykiem λ_i ~ U(0.2; 1.0) ---
set.seed(793)
D_sym <- replicate(1000, { y <- rpois(200, runif(200, 0.2, 1.0)); var(y) / mean(y) })
p_sym <- pchisq(199 * D_sym, 199, lower.tail = FALSE)
round(c(sredni_D = mean(D_sym), odsetek_p_ponizej_05 = mean(p_sym < .05)), 3)
# --- Rysunek 2: obserwowane vs oczekiwane i wiszący rootogram ---
d <- data.frame(k = factor(k, labels = c(0:3, "4+")), obs, e)
pa <- ggplot(d, aes(k, obs)) +
  geom_col(aes(fill = "obserwowane"), colour = "grey45", width = 0.7) +
  geom_point(aes(y = e, colour = "Poisson, λ = 0.61"), shape = 17, size = 3.2) +
  geom_text(aes(y = pmax(obs, e), label = paste0(obs, " / ", sprintf("%.1f", e))), vjust = -0.7, size = 3.2) +
  scale_y_continuous(limits = c(0, 120)) +
  scale_fill_manual(values = c(obserwowane = "grey80"), name = NULL) +
  scale_colour_manual(values = okabe[["niebieski"]], name = NULL) +
  labs(title = "A. Liczba korpuso-lat z daną liczbą zgonów", subtitle = "Etykiety: obserwowane / oczekiwane",
       x = "Zgony od kopnięcia konia w korpusie w ciągu roku", y = "Liczba korpuso-lat") + motyw
pb <- ggplot(d, aes(k)) +
  geom_rect(aes(xmin = as.numeric(k) - 0.35, xmax = as.numeric(k) + 0.35,
                ymin = sqrt(e) - sqrt(obs), ymax = sqrt(e)), fill = "grey80", colour = "grey45") +
  geom_line(aes(x = as.numeric(k), y = sqrt(e)), colour = okabe[["niebieski"]], linewidth = 0.8) +
  geom_point(aes(x = as.numeric(k), y = sqrt(e)), colour = okabe[["niebieski"]], shape = 17, size = 3) +
  geom_hline(yintercept = 0, colour = okabe[["cynobrowy"]], linetype = "dashed") +
  scale_y_continuous(labels = minus) +
  labs(title = "B. Wiszący rootogram",
       x = "Zgony w korpuso-roku", y = "√liczebność") + motyw
p2 <- (pa | pb) + plot_layout(widths = c(1.2, 1))
p1
p2
Wynik w R
        n    lambda wariancja         D 
 200.0000    0.6100    0.6110    1.0016 
   chi2      df       p 
199.311 199.000   0.480 
  k obs  oczek
1 0 109 108.67
2 1  65  66.29
3 2  22  20.22
4 3   3   4.11
5 4   1   0.71
 chi2    df     p 
0.324 2.000 0.851 

	 Goodness-of-fit test for poisson distribution

                       X^2 df  P(> X^2)
Likelihood Ratio 0.8682214  3 0.8330891
            sredni_D odsetek_p_ponizej_05 
               1.093                0.241 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (rozkład Poissona i test – funkcje bazowe dpois(), pchisq(), rpois(); dane i goodfit() – pakiet vcd; rysunki – 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. 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
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  4. 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 Władysław Bortkiewicz?

Statystykiem i ekonomistą (1868–1931) z polskiej rodziny, który studiował prawo w Petersburgu, doktoryzował się w Getyndze u Wilhelma Lexisa (1893), a od przełomu wieków był profesorem uniwersytetu w Berlinie. Najbardziej znany jest z „prawa małych liczb” i danych o zgonach od kopnięć koni.

Co to jest prawo małych liczb Bortkiewicza?

To teza z jego książki z 1898 r.: liczebności zdarzeń rzadkich dobrze opisuje rozkład Poissona i mają one rozproszenie zgodne z modelem stałego prawdopodobieństwa – nawet wtedy, gdy rzeczywiste prawdopodobieństwa w jednostkach się różnią. Nie myl go z „wiarą w prawo małych liczb”, czyli błędem wyciągania wniosków z małych prób.

Skąd pochodzą dane o kopnięciach koni?

Z książki Bortkiewicza z 1898 r., w której analizował zgony żołnierzy od kopnięcia konia w 14 korpusach armii pruskiej w ciągu 20 lat (Ostasiewicz, 2016). W podręcznikach i w pakiecie vcd (HorseKicks) używa się wersji z 10 korpusami, czyli 200 korpuso-latami; średnio 0.61 zgonu na korpus w roku.

Czy Bortkiewicz był Polakiem?

Pochodził z polskiej rodziny, był poddanym cara, a pracował głównie w Niemczech, dlatego jego nazwisko występuje w zapisie polskim, rosyjskim i niemieckim. Według Ostasiewicz (2016) większość prac podpisywał polską formą nazwiska.

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. Bortkiewicz, L. von. (1898). Das Gesetz der kleinen Zahlen. B. G. Teubner.
  2. Coxe, S., West, S. G., & Aiken, L. S. (2009). The analysis of count data: A gentle introduction to Poisson regression and its alternatives. Journal of Personality Assessment, 91(2), 121–136. https://doi.org/10.1080/00223890802634175
  3. Härdle, W. K., & Vogt, A. B. (2015). Ladislaus von Bortkiewicz—Statistician, economist and a European intellectual. International Statistical Review, 83(1), 17–35. https://doi.org/10.1111/insr.12083 ● Otwarty dostęp: pełny tekst
  4. Ostasiewicz, K. (2016). The “pope of statistics”: Władysław Bortkiewicz and horse kicks. Śląski Przegląd Statystyczny, 15(21), 281–296. https://doi.org/10.15611/sps.2017.15.16 ● Otwarty dostęp

Cytowania BibTeX

@book{bortkiewicz1898gesetz, author={von Bortkiewicz, Ladislaus}, title={{Das Gesetz der kleinen Zahlen}}, year={1898}, publisher={B. G. Teubner}}
@article{coxe2009analysis, author={Coxe, Stefany and West, Stephen G. and Aiken, Leona S.}, title={{The analysis of count data: A gentle introduction to Poisson regression and its alternatives}}, journal={Journal of Personality Assessment}, year={2009}, volume={91}, number={2}, pages={121--136}, doi={10.1080/00223890802634175}}
@article{hardle2015ladislaus, author={Härdle, Wolfgang Karl and Vogt, Annette B.}, title={{Ladislaus von Bortkiewicz—Statistician, economist and a European intellectual}}, journal={International Statistical Review}, year={2015}, volume={83}, number={1}, pages={17--35}, doi={10.1111/insr.12083}}
@article{ostasiewicz2016pope, author={Ostasiewicz, Katarzyna}, title={{The “pope of statistics”: Władysław Bortkiewicz and horse kicks}}, journal={Śląski Przegląd Statystyczny}, year={2016}, volume={15}, number={21}, pages={281--296}, doi={10.15611/sps.2017.15.16}}
R