Kim był Zygmunt Wilhelm Birnbaum?
Zygmunt Wilhelm Birnbaum (1903–2000), w USA znany jako Z. W. albo „Bill” Birnbaum, urodził się 18 października 1903 r. we Lwowie. Chodził do szkół we Lwowie i w Wiedniu. Rodzina chciała, żeby zdobył praktyczny zawód, więc w 1925 r. ukończył prawo na Uniwersytecie Lwowskim i przez rok praktykował jako prawnik. Równolegle wrócił do matematyki: w 1926 r. uzyskał uprawnienia nauczyciela, uczył w lwowskim gimnazjum i studiował m.in. u Hugona Steinhausa i Stefana Banacha. Doktorat obronił w 1929 r. pod kierunkiem Steinhausa (Marshall i in., 2021).
W latach 1929–1931 studiował w Getyndze. Za radą Edmunda Landaua zrobił tam też kurs aktuarialny w instytucie Felixa Bernsteina, co pozwoliło mu w 1931 r. zostać aktuariuszem towarzystwa ubezpieczeń na życie Phoenix w Wiedniu, a rok później głównym aktuariuszem jego polskiej filii we Lwowie. Po upadku firmy w 1936 r. postanowił wyjechać do Stanów Zjednoczonych; w czerwcu 1937 r. przybył do Nowego Jorku i został asystentem Bernsteina w badaniach biometrycznych na New York University (Marshall i in., 2021).
Na początku 1939 r. Harold Hotelling zwrócił jego uwagę na posadę na University of Washington w Seattle. Birnbaum zastał tam jeden kurs statystyki opisowej, a zaprojektował zajęcia, które stały się podstawą jednego z pierwszych w USA pełnych programów licencjackich ze statystyki matematycznej; do 1948 r. założył Laboratory of Statistical Research i kierował nim do emerytury w 1974 r. Był prezesem Institute of Mathematical Statistics (1964), redaktorem Annals of Mathematical Statistics (1967–1970) i laureatem Medalu S. S. Wilksa (1984). Angażował się też poza nauką: w 1955 r. odpowiadał w IMS za wdrożenie uchwały, by zebrania towarzystwa odbywały się bez segregacji rasowej, w 1956 r. przedstawił wniosek o utrwalenie tej zasady, a w latach 1962–1963 był jednym z powodów w procesie o przysięgę lojalności. Zmarł w Seattle 15 grudnia 2000 r. w wieku 97 lat (Marshall i in., 2021).
Najważniejsze pomysły
- Przestrzenie Birnbauma–Orlicza (1931). Jeszcze w Getyndze napisał z Władysławem Orliczem pracę o uogólnieniu pojęcia sprzężonych wykładników (Birnbaum i Orlicz, 1931); od niej wywodzi się nazwa przestrzeni Birnbauma–Orlicza w analizie funkcjonalnej (Marshall i in., 2021).
- Pasma ufności dla dystrybuanty (1951). Wspólnie z F. H. Tingeyem wyprowadził jawny wzór na prawdopodobieństwo, że prawdziwa dystrybuanta leży wszędzie poniżej dystrybuanty empirycznej powiększonej o ε, i stablicował wartości krytyczne dla prób od 5 do 50 (Birnbaum i Tingey, 1951). To jednostronny krewny testu Kołmogorowa–Smirnowa.
- Nierówności i statystyka nieparametryczna. Wielowymiarowe nierówności typu Czebyszewa, dokładne i asymptotyczne rozkłady statystyk nieparametrycznych, braki odpowiedzi w sondażach (Marshall i in., 2021).
- Niezawodność i zmęczenie materiału (1969). Z Samem C. Saundersem wyprowadził nowy rozkład czasu życia z modelu, w którym pęknięcie rośnie w każdym cyklu obciążenia o losowy przyrost, a element ulega awarii, gdy pęknięcie przekroczy długość krytyczną (Birnbaum i Saunders, 1969a). W drugiej pracy podali estymatory największej wiarygodności i prosty estymator mediany (Birnbaum i Saunders, 1969b).
Ciekawostka
Do Ameryki Birnbaum dostał się okrężną drogą. Według wspomnienia jego współpracowników kwoty imigracyjne były wtedy zapełnione na lata naprzód, więc wyjechał jako zagraniczny korespondent dużej polskiej gazety i w czerwcu 1937 r. wjechał do Nowego Jorku na wizie turystycznej (Marshall i in., 2021).
Gdy dwa lata później ubiegał się o posadę w Seattle, listy polecające napisali mu jego dawni profesorowie z Getyngi, Richard Courant i Edmund Landau, a także Albert Einstein. Dawny prawnik wykorzystał później swoje przygotowanie także na uczelni: w 1946 r. przygotował projekt przepisów, na których oparto system emerytalny University of Washington (Marshall i in., 2021).
Przykład na historycznych danych
Zbiór Fatigue z pakietu nlme opisuje wzrost pęknięć zmęczeniowych w 21 próbkach metalu (według pliku pomocy pochodzą z pracy Lu i Meekera, odczytanych z wykresu w książce Bogdanoffa i Kozina z 1985 r.; Lu i Meeker, 1993). Każda próbka miała karb długości 0.90 cala; długość pęknięcia mierzono co 10 tys. cykli i przerywano badanie, gdy przekroczyła 1.60 cala albo po 120 tys. cykli. To dokładnie sytuacja z modelu Birnbauma i Saundersa: pęknięcie rośnie, a awaria to przekroczenie progu.
Próg przekroczyło 12 próbek (między 87.5 a 117.5 tys. cykli); 9 to obserwacje cenzurowane. Czas awarii odczytaliśmy przez interpolację liniową między pomiarami. Rozkład Birnbauma–Saundersa z dystrybuantą F(t) = Φ((√(t/β) − √(β/t))/α) dopasowany metodą największej wiarygodności z cenzurowaniem daje medianę β = 116.6 tys. cykli (95% CI [109.1, 124.6]) i kształt α = 0.13 [0.09, 0.21]. Rozkład lognormalny pasuje praktycznie tak samo (AIC −49.96 wobec −49.97), rozkład Weibulla nieco gorzej (AIC −48.59). Do 110 tys. cykli pękło według estymatora Kaplana–Meiera 38.1% próbek; oba rozkłady przewidują 33.3%, Weibulla 30.8%.
Na rysunku
Co widać. Pierwsza połowa życia to Lwów, Getynga i Wiedeń, druga – ponad 60 lat w Seattle. Prace, z których Birnbaum jest dziś najbardziej znany statystykom, powstały już w Ameryce.
Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Według wspomnienia laboratorium powstało najpóźniej w 1948 r.; dokładnego roku założenia źródło nie podaje.
Podpis do pracy:
nlme::Fatigue (Lu i Meeker, 1993). Obliczenia i rysunek: R, pakiety survival, ggplot2 i patchwork.Co widać. Panel A pokazuje mechanizm, który Birnbaum i Saunders opisali wzorami: pęknięcia rosną coraz szybciej, a moment przekroczenia progu jest losowy. W panelu B krzywe Birnbauma–Saundersa i lognormalna nakładają się na siebie, bo przy małym α oba rozkłady są niemal identyczne.
Na co uważać. Prawie połowa próbek nie pękła do końca badania, więc o prawym ogonie rozkładu mówią wyłącznie modele. Przy 12 awariach dane nie rozstrzygają między rozkładem Birnbauma–Saundersa a lognormalnym – wybór uzasadnia raczej mechanizm uszkodzenia niż AIC.
Podpis do pracy:
Gdzie spotkasz Birnbauma w swojej pracy
- Czas do zdarzenia. Gdy analizujesz czas do awarii, rezygnacji czy nawrotu choroby, wybór rozkładu (Weibulla, lognormalny, Birnbauma–Saundersa) ma znaczenie przy ekstrapolacji poza okres obserwacji – zob. analiza przeżycia i roszczenia gwarancyjne i rozkład Weibulla.
- Porównanie modeli. Rozkłady o tej samej liczbie parametrów porównasz log-wiarygodnością albo AIC; różnica rzędu setnych, jak w przykładzie, nie wskazuje zwycięzcy.
- Dystrybuanta empiryczna. Pasma ufności wokół ECDF i testy zgodności typu Kołmogorowa–Smirnowa to tradycja, którą Birnbaum współtworzył; ich współczesne rozwinięcie opisuje hasło o Andrieju Kołmogorowie.
Rozkład Birnbauma–Saundersa w R
Kod rysuje oś czasu, a potem z danych nlme::Fatigue wyznacza czas przekroczenia progu 1.60 cala (interpolacja liniowa, cenzurowanie po 120 tys. cykli), dopasowuje rozkład Birnbauma–Saundersa metodą największej wiarygodności (funkcja optim() z ręcznie zapisaną log-wiarygodnością), porównuje go z rozkładem lognormalnym i Weibulla (survreg()) oraz z estymatorem Kaplana–Meiera. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
czasy awarii 12 próbek, oceny α i β z 95% przedziałami, log-wiarygodność i AIC trzech rozkładów oraz odsetek pękniętych próbek do 110 tys. cykli.
Kod R rysunków 1 i 2
# Zygmunt Wilhelm Birnbaum: oś czasu i rozkład Birnbauma–Saundersa dla pęknięć zmęczeniowych metalu (nlme::Fatigue)
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(survival)})
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 wspomnienia Marshalla, Pyke'a i Saundersa oraz prac z 1931, 1951 i 1969 r.)
zdarzenia <- data.frame(
rok = c(1903, 1929, 1931, 1937, 1939, 1948, 1951, 1964, 1969, 2000),
opis = c("urodzony we Lwowie", "doktorat u Steinhausa", "praca z Orliczem;\naktuariusz w Wiedniu",
"wyjazd do Nowego Jorku", "University of Washington", "Laboratory of\nStatistical Research",
"pasma Birnbauma–Tingeya", "prezes IMS", "rozkład Birnbauma–\nSaundersa", "zmarł w Seattle"),
rodzaj = c("życie", "nauka", "publikacja", "życie", "praca", "praca", "publikacja", "praca", "publikacja", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2.1, 1.2, -1, 2.1, -2.1, 1.2, -1) # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.1, lineheight = 0.9, linewidth = 0.2) +
scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "praca" = 24, "publikacja" = 25), name = NULL) +
scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "praca" = oi[["niebieski"]],
"publikacja" = oi[["cynober"]]), name = NULL) +
scale_x_continuous(breaks = seq(1900, 2000, 10), limits = c(1894, 2009)) + scale_y_continuous(limits = c(-2.6, 2.6)) +
labs(title = "Zygmunt Wilhelm Birnbaum (1903–2000)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Dane: wzrost pęknięć zmęczeniowych w 21 próbkach metalu (Lu i Meeker 1993; za Bogdanoffem i Kozinem 1985).
# Długość względna = 1 na starcie (karb 0.90 cala); badanie przerywano, gdy pęknięcie przekroczyło 1.60 cala,
# albo po 120 tys. cykli. Próg 1.60 cala to 1.60 / 0.90 ≈ 1.78 długości względnej.
data(Fatigue, package = "nlme")
dane <- as.data.frame(Fatigue)
dane$Path <- factor(as.character(dane$Path), levels = as.character(1:21))
prog <- 1.60 / 0.90
# Czas do awarii: liczba cykli (w mln), przy której pęknięcie przekracza próg (interpolacja liniowa między pomiarami);
# próbki, które nie przekroczyły progu do 0.12 mln cykli, są cenzurowane prawostronnie.
czasy <- do.call(rbind, lapply(split(dane, dane$Path), function(d) {
k <- which(d$relLength >= prog)[1]
if (is.na(k)) return(data.frame(probka = d$Path[1], czas = max(d$cycles), awaria = 0))
t <- d$cycles[k - 1] + (prog - d$relLength[k - 1]) / (d$relLength[k] - d$relLength[k - 1]) * 0.01
data.frame(probka = d$Path[1], czas = t, awaria = 1)
}))
c(probki = nrow(czasy), awarie = sum(czasy$awaria), cenzurowane = sum(1 - czasy$awaria))
round(sort(czasy$czas[czasy$awaria == 1]), 4)
# Rozkład Birnbauma–Saundersa (1969): F(t) = Φ( (sqrt(t/β) − sqrt(β/t)) / α ), β – mediana, α – kształt
pbs <- function(t, a, b) pnorm((sqrt(t / b) - sqrt(b / t)) / a)
dbs <- function(t, a, b) dnorm((sqrt(t / b) - sqrt(b / t)) / a) * (sqrt(t / b) + sqrt(b / t)) / (2 * a * t)
# Ujemna log-wiarygodność z cenzurowaniem: awaria wnosi gęstość, cenzura – prawdopodobieństwo przeżycia
nll_bs <- function(par, t, d) {
a <- exp(par[1]); b <- exp(par[2])
-sum(d * log(dbs(t, a, b)) + (1 - d) * pnorm((sqrt(t / b) - sqrt(b / t)) / a, lower.tail = FALSE, log.p = TRUE))
}
fit_bs <- optim(c(log(0.3), log(0.11)), nll_bs, t = czasy$czas, d = czasy$awaria, hessian = TRUE)
se <- sqrt(diag(solve(fit_bs$hessian)))
bs <- data.frame(parametr = c("alfa (kształt)", "beta (mediana, mln cykli)"),
ocena = exp(fit_bs$par), dolna = exp(fit_bs$par - 1.96 * se), gorna = exp(fit_bs$par + 1.96 * se))
bs[, -1] <- round(bs[, -1], 4); bs
# Porównanie z rozkładem lognormalnym i Weibulla (te same dane, ta sama cenzura)
fit_ln <- survreg(Surv(czas, awaria) ~ 1, data = czasy, dist = "lognormal")
fit_wb <- survreg(Surv(czas, awaria) ~ 1, data = czasy, dist = "weibull")
porownanie <- data.frame(model = c("Birnbaum–Saunders", "lognormalny", "Weibulla"),
logL = c(-fit_bs$value, fit_ln$loglik[1], fit_wb$loglik[1]),
mediana = c(exp(fit_bs$par[2]), exp(coef(fit_ln)), exp(coef(fit_wb)) * log(2)^fit_wb$scale))
porownanie$AIC <- -2 * porownanie$logL + 2 * 2
porownanie[, -1] <- round(porownanie[, -1], 3); porownanie
# Kaplan–Meier i odsetek próbek pękniętych do 0.11 mln cykli (110 tys.): dane a modele
km <- survfit(Surv(czas, awaria) ~ 1, data = czasy)
round(c(KM = 1 - summary(km, times = 0.11)$surv,
BS = pbs(0.11, exp(fit_bs$par[1]), exp(fit_bs$par[2])),
lognormalny = plnorm(0.11, coef(fit_ln), fit_ln$scale),
Weibulla = pweibull(0.11, 1 / fit_wb$scale, exp(coef(fit_wb)))), 3)
# Rysunek 2A: ścieżki pęknięć i próg awarii
dane$stan <- ifelse(dane$Path %in% czasy$probka[czasy$awaria == 1], "przekroczyła próg", "cenzurowana (0.12 mln cykli)")
pA <- ggplot(dane, aes(cycles * 1000, relLength, group = Path)) +
geom_hline(yintercept = prog, colour = oi[["cynober"]], linetype = "dashed") +
annotate("text", x = 2, y = prog + 0.04, label = "próg awarii: 1.60 cala", hjust = 0, size = 3.3, colour = oi[["cynober"]]) +
geom_line(aes(colour = stan, linetype = stan), linewidth = 0.5) +
geom_point(data = subset(czasy, awaria == 1), aes(czas * 1000, prog, group = NULL), shape = 4, size = 2.4, stroke = 0.9) +
scale_colour_manual(values = c("przekroczyła próg" = oi[["niebieski"]], "cenzurowana (0.12 mln cykli)" = oi[["szary"]]), name = NULL) +
scale_linetype_manual(values = c("przekroczyła próg" = "solid", "cenzurowana (0.12 mln cykli)" = "dotted"), name = NULL) +
labs(title = "A. Wzrost pęknięć w 21 próbkach", x = "Tysiące cykli obciążenia", y = "Długość względna (start = 1)") +
motyw + theme(legend.position = "bottom")
# Rysunek 2B: odsetek pękniętych – Kaplan–Meier i trzy rozkłady
siatka <- seq(0.06, 0.16, length.out = 300)
krzywe <- rbind(
data.frame(t = siatka, F = pbs(siatka, exp(fit_bs$par[1]), exp(fit_bs$par[2])), model = "Birnbaum–Saunders"),
data.frame(t = siatka, F = plnorm(siatka, coef(fit_ln), fit_ln$scale), model = "lognormalny"),
data.frame(t = siatka, F = pweibull(siatka, 1 / fit_wb$scale, exp(coef(fit_wb))), model = "Weibulla"))
km_df <- data.frame(t = c(0.06, km$time), F = c(0, 1 - km$surv))
pB <- ggplot() +
geom_step(data = km_df, aes(t * 1000, F), colour = "black", linewidth = 0.7) +
geom_line(data = krzywe, aes(t * 1000, F, colour = model, linetype = model), linewidth = 0.8) +
geom_vline(xintercept = 120, colour = "grey60", linetype = "dotdash") +
annotate("text", x = 121, y = 0.05, label = "koniec badania", hjust = 0, size = 3.1, colour = "grey35") +
scale_colour_manual(values = c("Birnbaum–Saunders" = oi[["cynober"]], "lognormalny" = oi[["niebieski"]], "Weibulla" = oi[["pomaranczowy"]]), name = NULL) +
scale_linetype_manual(values = c("Birnbaum–Saunders" = "solid", "lognormalny" = "dashed", "Weibulla" = "dotted"), name = NULL) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%"), limits = c(0, 1)) +
labs(title = "B. Odsetek pękniętych próbek", x = "Tysiące cykli obciążenia", y = "Odsetek (schodki: Kaplan–Meier)") +
motyw + theme(legend.position = "bottom")
p_metoda <- pA + pB + plot_layout(widths = c(1, 1))
p_os
p_metodaWynik w R
probki awarie cenzurowane
21 12 9
[1] 0.0875 0.1000 0.1011 0.1028 0.1031 0.1053 0.1057 0.1085 0.1129 0.1153
[11] 0.1169 0.1175
parametr ocena dolna gorna
1 alfa (kształt) 0.1345 0.0864 0.2095
2 beta (mediana, mln cykli) 0.1166 0.1091 0.1246
model logL mediana AIC
1 Birnbaum–Saunders 26.985 0.117 -49.971
2 lognormalny 26.982 0.117 -49.964
3 Weibulla 26.293 0.117 -48.586
KM BS lognormalny Weibulla
0.381 0.333 0.333 0.308 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (optymalizacja – funkcja optim() z pakietu stats; modele parametryczne i Kaplan–Meier – pakiet survival; dane – pakiet nlme; rysunki – pakiety 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/
- survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
- nlme (wersja 3.1.168): Pinheiro, J., Bates, D., & R Core Team. (2025). nlme: Linear and nonlinear mixed effects models [R package]. https://doi.org/10.32614/CRAN.package.nlme
- 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 Zygmunt Wilhelm Birnbaum?
Matematykiem i statystykiem urodzonym w 1903 r. we Lwowie. Skończył prawo, doktorat z matematyki zrobił u Hugona Steinhausa (1929), pracował jako aktuariusz, a w 1937 r. wyjechał do USA. Od 1939 r. budował statystykę na University of Washington w Seattle. Zmarł w 2000 r.
Co to jest rozkład Birnbauma–Saundersa?
Dwuparametrowy rozkład czasu życia, który Birnbaum i Saunders w 1969 r. wyprowadzili z modelu zmęczenia materiału: element pęka, gdy suma losowych przyrostów pęknięcia w kolejnych cyklach obciążenia przekroczy wartość krytyczną. Parametr β to mediana, α opisuje rozrzut.
Czym różni się rozkład Birnbauma–Saundersa od lognormalnego?
Oba są prawoskośne i przy małym parametrze kształtu dają prawie te same krzywe. Rozkład Birnbauma–Saundersa ma jednak uzasadnienie w mechanizmie narastającego uszkodzenia, a autorzy porównywali go właśnie z rozkładem lognormalnym używanym wcześniej w badaniach zmęczenia.
Co łączy Birnbauma z testem Kołmogorowa–Smirnowa?
Birnbaum zajmował się dokładnymi rozkładami i tablicami statystyk opartych na dystrybuancie empirycznej. W pracy z F. H. Tingeyem z 1951 r. wyprowadził wzór na prawdopodobieństwo, że prawdziwa dystrybuanta leży poniżej dystrybuanty empirycznej powiększonej o ε, i stablicował wartości krytyczne dla małych prób.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Roszczenia gwarancyjne i rozkład Weibulla
Dane gwarancyjne jako czas do awarii: cenzurowanie, Kaplan–Meier, wykres Weibulla, hazard i prognoza zgłoszeń z kohort z bootstrapem – z kodem R.
Czytaj →PoradnikKaplan–Meier i model Coxa krok po kroku
Krzywe Kaplana–Meiera, log-rank, RMST, model Coxa, proporcjonalność hazardów i ryzyka konkurujące w R – z tabelą APA i opisem do artykułu.
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)
- Birnbaum, Z. W., & Saunders, S. C. (1969b). Estimation for a family of life distributions with applications to fatigue. Journal of Applied Probability, 6(2), 328–347. https://doi.org/10.2307/3212004
- Birnbaum, Z. W., & Saunders, S. C. (1969a). A new family of life distributions. Journal of Applied Probability, 6(2), 319–327. https://doi.org/10.2307/3212003
- Birnbaum, Z. W., & Tingey, F. H. (1951). One-sided confidence contours for probability distribution functions. The Annals of Mathematical Statistics, 22(4), 592–596. https://doi.org/10.1214/aoms/1177729550 ● Otwarty dostęp
- Birnbaum, Z., & Orlicz, W. (1931). Über die Verallgemeinerung des Begriffes der zueinander konjugierten Potenzen. Studia Mathematica, 3(1), 1–67. https://doi.org/10.4064/sm-3-1-1-67 ● Otwarty dostęp
- Lu, C. J., & Meeker, W. Q. (1993). Using degradation measures to estimate a time-to-failure distribution. Technometrics, 35(2), 161–174. https://doi.org/10.1080/00401706.1993.10485038
- Marshall, A. W., Pyke, R., & Saunders, S. C. (2021). Z. W. Birnbaum (1903–2000). University of Washington, Department of Mathematics – News. https://math.washington.edu/news/2023/01/25/z-w-birnbaum-1903-2000 ● Otwarty dostęp
Cytowania BibTeX
@article{birnbaum1969estimation, author={Birnbaum, Z. W. and Saunders, S. C.}, title={{Estimation for a family of life distributions with applications to fatigue}}, journal={Journal of Applied Probability}, year={1969}, volume={6}, number={2}, pages={328--347}, doi={10.2307/3212004}}@article{birnbaum1969new, author={Birnbaum, Z. W. and Saunders, S. C.}, title={{A new family of life distributions}}, journal={Journal of Applied Probability}, year={1969}, volume={6}, number={2}, pages={319--327}, doi={10.2307/3212003}}@article{birnbaum1951one, author={Birnbaum, Z. W. and Tingey, Fred H.}, title={{One-sided confidence contours for probability distribution functions}}, journal={The Annals of Mathematical Statistics}, year={1951}, volume={22}, number={4}, pages={592--596}, doi={10.1214/aoms/1177729550}}@article{birnbaum1931uber, author={Birnbaum, Z. and Orlicz, W.}, title={{Über die Verallgemeinerung des Begriffes der zueinander konjugierten Potenzen}}, journal={Studia Mathematica}, year={1931}, volume={3}, number={1}, pages={1--67}, doi={10.4064/sm-3-1-1-67}}@article{lu1993using, author={Lu, C. Joseph and Meeker, William Q.}, title={{Using degradation measures to estimate a time-to-failure distribution}}, journal={Technometrics}, year={1993}, volume={35}, number={2}, pages={161--174}, doi={10.1080/00401706.1993.10485038}}@misc{marshall2021birnbaum, author={Marshall, Albert W. and Pyke, Ronald and Saunders, Samuel C.}, title={{Z. W. Birnbaum (1903–2000)}}, howpublished={University of Washington, Department of Mathematics – News}, year={2021}, publisher={University of Washington}, url={https://math.washington.edu/news/2023/01/25/z-w-birnbaum-1903-2000}}