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
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:
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:
Gdzie spotkasz Bortkiewicza w swojej pracy
- Dane zliczeniowe. Liczba wizyt, błędów czy objawów to liczebności zdarzeń, a ich podstawowym modelem jest regresja Poissona. Coxe, West i Aiken (2009) pokazują, że przy niskich średnich zwykła regresja liniowa może dawać obciążone wyniki. Procedurę krok po kroku opisuje wpis Regresja dla zliczeń krok po kroku, a obrazowo – Regresja Poissona – wizualizacja.
- Sprawdzenie rozproszenia. Stosunek wariancji do średniej to prosty potomek wskaźnika Lexisa. Gdy jest wyraźnie większy od 1, rozważ regresję ujemną dwumianową.
- Zdarzenia rzadkie. Rozkład Poissona przybliża rozkład dwumianowy, gdy prób jest dużo, a prawdopodobieństwo zdarzenia małe. Nie myl prawa małych liczb Bortkiewicza z prawem wielkich liczb.
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.
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
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
p2Wynik 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()).
- 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/
- 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
- 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 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
Regresja dla zliczeń krok po kroku
Poisson z offsetem, rozproszenie, ujemna dwumianowa, ZIP, ZINB i hurdle na jednym przykładzie: rootogram, IRR, przewidywane średnie, tabela APA i kod R.
Czytaj →PoradnikRegresja Poissona – wizualizacja
Zliczenia a prosta, krzywa w skali logarytmu, nadmierna dyspersja w 1000 badaniach i IRR na osi logarytmicznej – pięć rysunków z kodem R i podpisami APA.
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)
- Bortkiewicz, L. von. (1898). Das Gesetz der kleinen Zahlen. B. G. Teubner.
- 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
- 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
- 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}}