(Original PDF) Product Planning

Essentials 2nd Edition by Kenneth B.

Kahn
Go to download the full and correct content document:
https://ebooksecure.com/product/original-pdf-product-planning-essentials-2nd-edition-
by-kenneth-b-kahn/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

(Original PDF) Essentials of MIS 13th Edition by

Kenneth

http://ebooksecure.com/product/original-pdf-essentials-of-
mis-13th-edition-by-kenneth/

Essentials of Anatomy & Physiology, 2nd Edition Kenneth

S. Saladin - eBook PDF

https://ebooksecure.com/download/essentials-of-anatomy-
physiology-2nd-edition-ebook-pdf/

(eBook PDF) Essentials of Strategic Planning in

Healthcare 2nd Edition

http://ebooksecure.com/product/ebook-pdf-essentials-of-strategic-
planning-in-healthcare-2nd-edition/

(eBook PDF) Essentials of Psychology 4th Edition by

Kenneth S. Bordens

http://ebooksecure.com/product/ebook-pdf-essentials-of-
psychology-4th-edition-by-kenneth-s-bordens/
(eBook PDF) E-Commerce Essentials 1st Edition by
Kenneth C. Laudon

http://ebooksecure.com/product/ebook-pdf-e-commerce-
essentials-1st-edition-by-kenneth-c-laudon/

(eBook PDF) Essentials of MIS 14th Edition by Kenneth

C. Laudon

http://ebooksecure.com/product/ebook-pdf-essentials-of-mis-14th-
edition-by-kenneth-c-laudon/

(eBook PDF) Essentials of MIS 12th Edition by Kenneth

C. Laudon

http://ebooksecure.com/product/ebook-pdf-essentials-of-mis-12th-
edition-by-kenneth-c-laudon/

(eBook PDF) Essentials of Sociology 9th Edition by

David B. Brinkerhoff

http://ebooksecure.com/product/ebook-pdf-essentials-of-
sociology-9th-edition-by-david-b-brinkerhoff-2/

(eBook PDF) Essentials of Sociology 9th Edition by

David B. Brinkerhoff

http://ebooksecure.com/product/ebook-pdf-essentials-of-
sociology-9th-edition-by-david-b-brinkerhoff/
CHARLES BONCELET
 CONTENTS vu

6 BINOMIAL PROBABILITIES 137

6.1 Basics of the Binomial Distribution 137
6.2 Computing Binomial Probabilities 141
6.3 Moments of the Binomial Distribution 142
6.4 Sums of Independent Binomial Random Variables 144
6.5 Distributions Related to the Binomial 146
6.5.1 Connections Between Binomial and Hypergeometric
Probabilities 146
6.5.2 Multinomial Probabilities 147
6.5.3 The Negative Binomial Distribution 148
6.5.4 The Poisson Distribution 149
6.6 Binomial and Multinomial Estimation 151
6.7 Alohanet 152
6.8 Error Control Codes 154
6.8.1 Repetition-by-Three Code 155
6.8.2 General Linear Block Codes 157
6.8.3 Conclusions 160
Summary 160
Problems 162

7 A CONTINUO US RAN DOM VARIABLE 167

7.1 Basic Properties 167
7.2 Example Calculations for One Random Variable 171
7.3 Selected Continuous Distributions 174
7.3.1 The Uniform Distribution 174
7.3.2 The Exponential Distribution 176
7.4 Conditional Probabilities 179
7.5 Discrete PMFs and Delta Functions 182
7.6 Quantization 184
7.7 A Final Word 187
Summary 187
Problems 189

8 M ULT IPLE CONTINUOUS RAN DOM VARIABLES 192

8.1 Joint Densities and Distribution Functions 192
8.2 Expected Values and Moments 194
8.3 Independence 194
8.4 Conditional Probabilities for Nlultiple Random Variables 195
8.5 Extended Example: 1\vo Continuous Random Variables 198
8.6 Sums of Independent Random Variables 202
8.7 Random Sums 205
8.8 General Transformations and the Jacobian 207
8.9 Parameter Estimation for the Exponential Distribution 214
8.10 Comparison of Discrete and Continuous Distributions 214
v111 CONTENTS

Summary 215
Problems 216

9 THE GAUSSIAN AND RELATED DISTRIBUTIONS 221

9.1 The Gaussian Distribution and Density 221
9.2 Quantile Function 227
9.3 Nloments of the Gaussian Distribution 228
9.4 The Central Limit Theorem 230
9.5 Related Distributions 235
9.5.1 The Laplace Distribution 236
9.5.2 The Rayleigh Distribution 236
9.5.3 The Chi-Squared and F Distributions 238
9.6 Multiple Gaussian Random Variables 240
9.6.1 Independent Gaussian Random Variables 240
9.6.2 Transformation to Polar Coordinates 241
9.6.3 Two Correlated Gaussian Random Variables 243
9.7 Example: Digital Communications Using QAM 246
9.7.1 Background 246
9.7.2 Discrete Time Model 247
9.7.3 Monte Carlo Exercise 253
9.7.4 QAM Recap 258
Summary 259
Problems 260

10 ELEMENTS OF STATISTICS 265

I O. I A Simple Election Poll 265
10.2 Estimating the Mean and Variance 269
10.3 Recursive Calculation of the Sample Mean 271
10.4 Exponential Weighting 273
10.5 Order Statistics and Robust Estimates 274
10.6 Estimating the Distribution Function 276
10.7 PMF and Density Estimates 278
10.8 Confidence Intervals 280
10.9 Significance Tests and p-Values 282
10.10 Introduction to Estimation Theory 285
I O.I I Minimum Mean Squared Error Estimation 289
10.12 Bayesian Estimation 291
Problems 295

11 GAUSSIA N RANDOM VECTORS AND LINEAR REGRESSION 298

11. 1 Gaussian Random Vectors 298
11.2 Linear Operations on Gaussian Random Vectors 303
11.3 Linear Regression 304
11.3.1 Linear Regression in Detail 305
 CONTENTS ox

11.3.2 Statistics of the Linear Regression Estimates 309

11.3.3 Computational Issues 311
11.3.4 Linear Regression Examples 313
11.3.5 Extensions of linear Regression 317
Summary 319
Problems 320

12 HYPOTHESIS TESTING 324

12.1 Hypothesis Testing: Basic Principles 324
12.2 Example: Radar Detection 326
12.3 Hypothesis Tests and Likelihood Ratios 331
12.4 MAP Tests 335
Summary 336
Problems 337

13 RANDOM SIGNALS AND NO ISE 340

13.1 Introduction to Random Signals 340
13.2 A Simple Random Process 341
13.3 Fourier Transforms 342
13.4 WSS Random Processes 346
13.5 WSS Signals and Linear Filters 350
13.6 Noise 352
13.6.1 Probabilistic Properties of Noise 352
13.6.2 Spectral Properties of Noise 353
13.7 Example: Amplitude Modulation 354
13.8 Example: Discrete Time Wiener Filter 357
13.9 The Sampling Theorem for WSS Random Processes 357
13.9.1 Discussion 358
13.9.2 Example: Figure 13.4 359
13.9.3 Proof of the Random Sampling Theorem 361
Summary 362
Problems 364

14 SELECTED RANDOM PROCESSES 366

14.1 The Lightbulb Process 366
14.2 The Poisson Process 368
14.3 Markov Chains 372
14.4 Kalman Filter 381
14.4.1 The Optimal Filter and Example 381
14.4.2 QR Nlethod Applied to the Kalman Filter 384
Summary 386
Problems 388
x CONTENTS

A COMPUTATION EXAMPLES 391

A.I tvlatlab 391
A.2 Pyth on 393
A.3 R 395

B ACRONYMS 399

C PROBABILITY TABLES 401

C.l Tables of Gaussian Probabilities 401

D BIBLIOGRAPHY 403

INDEX 405
REEAC

I have many goals for this book, but this is foremost: I have always liked probability and
have been fascinated by its application to predicting the future. I hope to encourage th is
generation of students to study, appreciate, and apply probability to the many applications
they will face in the years ahead.
To the student: This book is written for you. The prose style is Jess formal than many
textbooks use. This more engaging prose was chosen to encourage you to read the book.
I firmly believe a good textbook should help you learn the material. But it will not help
if you do not read it. Whenever I ask my students what they want to see in a text, the
answer is: "Examples. Lots of examples'.' I have tried to heed this advice and included
"lots" of examples. Many are small, quick examples to illustrate a single concept. Others
are long, detailed examples designed to demonstrate more sophisticated concepts. Finally,
most chapters end in one or more longer examples that illustrate how the concepts of that
chapter apply to engineering or scientific applications.
Almost all the concepts and equations are derived using routine algebra. Read the
derivations, and reproduce them yourselves. A great learning technique is to read through
a section, then write down the salient points. Read a derivation, and then reproduce it
yourself. Repeat the sequence-read, then reproduce-until you get it right.
I have included many figures and graphics. The old expression, "a picture is worth
a thousand words:' is still true. I am a believer in Edward Tufte's graphics philosophy:
maximize the data-ink ratio. 1 All graphics are carefully drawn. They each have enough ink
to tell a stor y, but only enough ink.
To the instructor: This textbook has several advantages over other textbooks. It is the
right size-not too big and not too small. It should cover the essential concepts for the level
of the course, but should not cover too much. Part of the art of textbook writing is to decide
what should be in and what should be out.
The selection of topics is, of course, a determination on the part of the author and
represents the era in which the book is written. When I first started teaching my course
more than two decades ago, the selection of topics favored continuous random variables and
continuous time random processes. Over time, discrete random variables and discrete time
random processes have grown in importance. Students today are expected to understand
more statistics than in the past. Computation is much more important and more immediate.
Each year I add a bit more computation to the course than the prior year.
I like computation. So do most students. Computation gives a reality to the theoretical
concepts. It can also be fun. Throughout the book, there are computational examples and
exercises. Unfortunately, not everyone uses the same computational packages. The book uses

'Edward Tufte, TI,e Visual Display of Quantitative Information, 2nd ed. Cheshire, CT: Graphics Press,
2001. A great book, highly recommended.

XI
XII PREFACE

three of the most popular: Matlab, Python, and R. For the most part, we alternate between
Matlab and Python and postpone discussion of R until the statistics chapters.
Most chapters have a common format: introductory material, followed by deeper and
more involved topics, and then one or more examples illustrating the application of the
concepts, a summary of the main topics, and a list of homework problems. The instructor
can choose how far into each chapter to go. For instance, I usually cover entropy (Chapter
5) and Aloha (Chapter 6), but skip error-correcting coding (also Chapter 6).
I am a firm believer that before statistics or random processes can be understood,
the student must have a good knowledge of probability. A typical undergraduate class
can cover the first nine chapters in about two-thirds of a semester, giving the student a
good understanding of both discrete and continuous probability. The instr uctor can select
topics from the later chapters to fill out the rest of the semester. If students have had basic
probability in a prior course, the first nine chapters can be covered quickly and greater
emphasis placed on the remaining chapters.
Depending on the focus of the course, the instructor can choose to emphasize statistics
by covering the material in Chapters 10 through 12. Alternatively, the instructor can
emphasize random signals by covering Chapters 13 and 14.
The text can be used in a graduate class. Assuming the students have seen some
probability as undergraduates, the first nine chapters can be covered quickly and more
attention paid to the last five chapters. In my experience, most new graduate students need to
refresh their probability knowledge. Reviewing the first nine chapters will be time well spent.
Graduate students will also benefit from doing computational exercises and learning the
similarities and differences in the three computational packages discussed, Matlab, Python,
and R.

Chapter Coverage
Chapters 1 and 2 are a fairly standard introduction to probability. The first chapter
introduces the basic definitions and the three axioms, proves a series of simple theorems,
and concludes with detailed examples of calculating probabilities for simple networks.
The second chapter covers conditional probability, Bayes theorem and the law of total
probability, and several applications.
Chapter 3 is a detour into combinatorics. A knowledge of combinatorics is essential
to understanding probability, especially discrete probability, but students often confuse the
two, thinking combinatorics to be a branch of probability. The two are different, and we
emphasize that. Much of the development of probability in history was driven by gambling.
I, too, use examples from gambling and game play in this chapter (and in some later chapters
as well). Students play games and occasionally gamble. Examples from these subjects help
bring probability to the student life experience-and we show that gambling is unlikely to
be profitable!
Chapters 4 and 5 introduce discrete probability mass functions, distribution functions,
expected values, change of variables, and the uniform, geometric, and Poisson distributions.
Chapter 4 culminates with a discussion of the financial considerations of gambling versus
buying insurance. Chapter 5 ends with a Jong section on entropy and data compression.
(It still amazes me that most textbooks targeting an electrical and computer engineering
 PREFACE xm

audience omit entropy.) Chapter 6 presents binomial, multinomial, negative binomial,

hypergeometric, and Poisson probabilities and considers the connections between these
important discrete probability distributions. It is punctuated by two optional sections, the
first on the Aloha protocol and the second on error-correcting codes.
Chapters 7 and 8 present continuous random variables and their densities and
distribution functions. Expected values and changes of variables are also presented, as is an
extended example on quantization. Chapter 9 presents the Gaussian distribution. Moments,
expected values, and change of variables are also presented here. The central limit theorem
is motivated by multiple examples showing how the probability mass function or density
function converges to the Gaussian density. Some of the related distributions, including the
Laplace, Rayleigh, and chi-squared, are presented. The chapter concludes with an extended
example on digital communications using quadrature amplitude modulation. Exact and
approximate error rates are computed and compared to a Monte Carlo simulation.
The first nine chapters are typically covered in order at whatever speed is comfortable
for the instructor and students. The remaining chapters can be divided into two subjects,
statistics and random processes. Chapters 10, 11, and 12 comprise an introduction to
statistics, linear regression, and hypothesis testing. Chapters 13 and 14 introduce random
processes and random signals. These chapters are not serial; the instr uctor can pick and
choose whichever chapters or sections to cover.
Chapter 10 presents basic statistics. At this point, the student should have a good
understanding of probability and be ready to understand the "why" behind statistical
procedures. Standard and robust estimates of mean and variance, density and distribution
estimates, confidence intervals, and significance tests are presented. Finally, maximum
likelihood, minimum mean squared estimation, and Bayes estimation are discussed.
Chapter 11 takes a linear algebra approach (vectors and matrices) to multivariate
Gaussian random variables and uses this approach to study linear regression. Chapter 12
covers hypothesis testing from a traditional engineering point of view. MAP (maximum
a posteriori), Neyman-Pearson, and Bayesian hypothesis tests are presented. Chapter 13
studies random signals, with particular emphasis on those signals that appear in engineering
applications. Wide sense stationary signals, noise, linear filters, and modulation are covered.
The chapter ends with a discussion of the sampling theorem. Chapter 14 focuses on the
Poisson process and Markov processes and includes a section on Kalman filtering.
Let me conclude this preface by repeating my overall goal: that the student will develop
not only an understanding and appreciation of probability, statistics, and random processes
but also a willingness to apply these concepts to the various problems that will occur in the
years ahead.

Acknow ledgments
I would like to thank the reviewers who helped shaped this text during its development.
Their many comments are much appreciated. They are the following:

Deva K Borah, New Mexico State University

Petar M. Djuric, Stony Brook University
Jens Gregor, Un iversity ofTennessee
xiv PREFACE

Eddie Jacobs, University of Memphis

JeongHee Kim, San Jose State University
Nicholas J. Kirsch, University of New Hampshire
Joerg Kliewer, New Jersey Institute of Technology
Sarah Koskie, Indiana University-Purdue University Indianapolis
Ioannis (John) Lambadar is, Carleton University
Eric Miller, Tufts University
Ali A. Minai, University of Cincinnati
Robert Morelos-Zaragoza, San Jose State University
Xiaoshu Qian, Santa Clara University
Danda B. Rawat, Georgia Souther n University
Rodney Rober ts, Florida State University
John M. Shea, University of Florida
Igor Tsuker man, The University of Akron

I would like to thank the following people from Oxford University Press who helped make
this book a reality: Nancy Blaine, John Appeldorn, Megan Carlson, Christine Mahon, Daniel
Kaveney, and Claudia Dukeshire.
Last, and definitely not least, I would like to thank my children, Matthew and Amy, and
my wife, Carol, for their patience over the years while I worked on this book.

Charles Boncelet
 C HA PTER

PROBABILITY BASICS

In this chapter, we introduce the formalism of probability, from experiments to outcomes

to events. The three axioms of probability are introduced and used to prove a number of
simple theorems. The chapter concludes with some examples.

1.1 WHAT IS PROBABILITY?

Probability refers to how likely something is. By convention, probabilities are real numbers
between Oand 1. A probability of O refers to something that never occurs; a probability of
1 refers to something that always occurs. Probabilities between Oand 1 refer to things that
sometimes occur.
For instance, an ordinar y coin when flipped will land heads up about half the time and
land tails up about half the time. We say the probability of heads is 0.5; the probability of
tails is also 0.5.
As another example, a typical telephone line has a probability of sending a data bit
correctly of around 0.9999, or 1 - 10- 4 • The probability the bit is incorrect is 10- •. A
fiber-optic line may have a bit error rate as low as 10- 15 .
Imagine Alice sends a message to Bob. For Bob to receive any infor mation (any new
knowledge), the message must be unknown to Bob. If Bob knew the message before
receiving it, then he gains no new knowledge from hearing it. Only if the message is random
to Bob will Bob receive any information.
There are a great many applications where people try to predict the future. Stock
markets, weather, spor ting events, and elections all are random. Successful prediction
of any of these would be immensely profitable, but each seems to have substantial
randomness.
Engineers worry about reliability of devices and systems. Engineers control complex
systems, often without perfect knowledge of the inputs. People are building self-driving
automobiles and aircraft. These devices must operate successfully even though all sorts of
unpredictable events may occur.

1
2 CHAPTER 1 PROBABILITY BASICS

Probabilities may be functions of other variables, such as time and space. The
probability of someone getting cancer is a function of lots of things, including age, gender,
genetics, dietar y habits, whether the person smokes, and where the person lives. Noise in
an electric circuit is a function of time and temperature. The number of questions answered
correctly on an exam is a function of what questions are asked-and how prepared the test
taker is!
In some problems, tin1e is the relevant quantity. How many flips of a coin are required
before the first head occurs? How many before the !OOth head?
The point of th is is that many experiments feature randomness, where the result of
the experiment is not known in advance. Furthermore, repetitions of the same experiment
may produce different results. Flipping a coin once and getting heads does not mean that a
second flip will be heads (or tails). Probability is about understanding and quantifying this
randomness.

Comment 1.1 : Is a coin flip cruly random? Is it unpred ictable?

Presumably, ifwe knew che mass distribution of the coin, the initial force (boch
linear and rotational) applied to the coin, che density ofche air, and any air currents,
we cou ld use physics to compute t he path of the coin and how it will land (heads or
tai ls). From chis point of view, che coin is not random.
In practice, we usually do noc know t hese variab les. Most coins are symmecric (or
close co symmetric). As long as che number of rotacions of the coin is large, we can
reasonably assume t he coin will land heads up half che time and tails up half the cime,
and we cannot predict which will occur on any given coss. From chis po int of view, che
coin flip is random.
However, chere are rules, even if they are usually unspoken . The coin flipper must
make no attempt co concrol che fl ip (i .e., co control how many rotations the coin
undergoes before landing) . The flipper must also make no actem pt to control the catch
of the co in or its landi ng. These concerns are real. Magicians have been known to
practice flipping coins until they can concrol che fl ip. (And sometimes they sim ply
cheat .)
O nly if the rules are followed can we reasonably assume t he coin fl ip is random.

EXAMPLE 1.1 Let us test this question: How many flips are required to get a head? Find a coin, and flip it
until a head occurs. Record how many flips were required. Repeat the experiment again, and
record the result. Do this at least IO times. Each of these is referred to as a run, a sequence
of tails ending with a heads.
What is the longest run you observed? What is the shor test? What is the average run
length? Theory tells us that the average r un length will be about 2.0, though of course your
average may be different.
 1.2 Experiments, Outcomes, and Events 3

1.2 EXPERIMENTS, OUTCOMES, AND EVENTS

An experi111ent is whatever is done. It may be flipping a coin, rolling some dice, measuring
a voltage or someone's height and weight, or numerous others.
The experiment results in outcomes. The outcomes are the atomic results of the
experiment. They cannot be divided further. For instance, for a coin flip, the outcomes
are heads and tails; for a counting experiment (e.g., the number of electrons crossing a PN
junction), the outcomes are the nonnegative in tegers, 0, 1, 2, 3, .... Outcomes are denoted
with italic lowercase letters, perhaps with subscripts, such as x, n, a 1, a2 , etc.
The number of outcomes can be finite or infinite, as in the two examples mentioned
in the paragraph above. Further more, the experiment can result in discrete outcomes, such
as the integers, or continuous outcomes, such as a person's weight. For now, we postpone
continuous experiments to Chapter 7 and consider only discrete experiments.
Sets of outcomes are known as events. Events are denoted with italic uppercase Roman
letters, perhaps with subscripts, such as A, B, and A ;. The outcomes in an event are listed with
=
braces. For instance, A = {1 , 2,3,4} or B {2, 4,6}. A is the event containing the outcomes I,
2, 3, and 4, while B is the event containing outcomes 2, 4, and 6.
The set of all possible outcomes is the sample space and is denoted by S. For example,
the outcomes of a roll of an ordinar y six-sided die 1 are 1, 2, 3, 4, 5, and 6. The sample space
=
is S {1 , 2,3,4,5,6}. The set containing no outcomes is the e,npty set and is denoted by¢.
The complernent of an event A , denoted A, is the event containing every outcome not
in A . The sample space is the complement of the empty set, and vice versa.
The usual r ules of set arithmetic apply to events. The union of two events, Au B, is the
event containing outcomes in either A or B. The intersection of two events, A n B or more
simply AB, is the event containing all outcomes in both A and B.
- - -
For any event A , A n A = AA = ¢ and A u A = S.

EXAMPLE 1.2 Consider a roll of an ordinary six-sided die, and let A = {1,2,3,4} and B
- -
={2,4,6}. Then,
Au B = {1 , 2, 3,4,6} and A n B = {2,4}. A = {5,6} and B = {1,3,5}.

EXAMPLE 1.3 Consider the following exper iment: A coin is flipped three times. The outcomes are
=
the eight flip sequences: hhh, hht, .. . , ttt. If A {first flip is head} =
{hhh, hht, hth, htt} ,
then A = {ttt, tth, tht, thh}. If B = {exactly two heads} = {hht, hth, thh}, then Au B =
{hhh, hht, hth, htt, thh} and AB = {hht, hth}.

Comment 1.2: Be carefu l in defi ning events. In the coin fl ipping experiment above, a n
event m ight be specified as C = {two heads}. Is this "exact ly two head s" or "at least two
head s"? The former is {hht, hth, thhl, while the latter is {hht, hth, thh, hhh}.

'One is a die; two or more are dice.

4 CHAPTER 1 PROBAB ILITY BASICS

Set arithmetic obeys DeMorgan's laws:

AuB = AnB (1. 1)

AnB = AuB (1.2)

DeMorgan's laws are handy when the complements of events are easier to define and specify
than the events themselves.
A is a subset of B, denoted A c B, if each outcome in A is also in B. For instance, if
A = {1,2} and B = {1,2,4,6}, then Ac B. Note that any set is a subset of itself, Ac A. If Ac B
and B c A , then A = B.
Two events are disjoint (also known as mutually exclusive) if they have no outcomes in
common, that is, if AB = ¢. A collection of events, A; for i = 1,2, ..., is pairwise disjoint if
each pair of events is disjoint, i.e., A ;Aj = ¢for all i "¢ j.
A collection of events, A ; for i = 1,2, ..., forms a partition of S if the events are pairwise
disjoint and the union of all events is the sample space:

A ;Aj = ¢ for i "¢ j

00

LJA;= S
i= I

In the next chapter, we introduce the law of total probability, which uses a par tition to divide
a problem into pieces, with each A ; representing a piece. Each piece is solved and the pieces
combined to get the total solution.

1.3 VEN N DIAGRAMS

A useful tool for visualizing relationships between sets is the Venn diagrarn. Typically, Venn
diagrams use a box for the sample space and circles (or circle-like figures) for the var ious
events.
In Figure 1.1, we show a simple Venn diagram. The outer box, labeled S, denotes the
sample space. All outcomes are in S. The two circles, A and B, represent two events. The

s
A B

AB AB AB

FIGURE 1.1 A Venn diagram of A u 8.

 1.4 Random Variables 5

Light: AB A n B
Dark: AB A u B

FIGURE 1.2 A Venn diagram "proof" of the second of DeMorgan's laws (Equation 1.2). The
"dark" parts show AB= Au B, while the "light" parts show AB= An B.

shaded area is the union of these two events. One can see that A= ABuAB, thatB ABuAB,=
=-
and that AuB ABuABuAB.
-
Figure 1.2 presents a simple Venn diagram proof of Equation (1.2). The dark shaded
area in the leftmost box represents AB, and the shaded areas in the two rightmost boxes
- -
represent A and B, respectively. The left box is the logical OR of the two rightmost boxes.
On the other hand, the light area on the left is AB. It is the logical AND of A and B. Figure 1.3
shows a por tion of the Venn diagram of Au Bu C. The shaded area, representing the union,
can be d ivided into seven parts. One part is ABC, another part is ABC, etc. Problem 1.13
asks the reader to complete the picture.

s
A B

ABC ABC

ABC

FIGURE 1.3 A Venn diagram of Au Bu C. See Problem 1.13 for details.

1.4 RANDOM VARIABLES

It is often convenient to refer to the outcomes of experiments as numbers. For instance, it

is convenient to refer to "heads" as I and "tails" as 0. The faces of most six-sided dice are
labeled with pips (dots). We refer to the side with one pip as I, to the side with two pips as
2, etc.
In other experiments, the mapping is less clear because the outcomes are naturally
numbers. A coin can be flipped n times and the number of heads counted. Or a large number
6 CHAPTER 1 PROBAB ILITY BASICS

of bits can be transmitted across a wireless communications network and the number of bits
received in error counted. A randomly chosen person's height, weight, age, temperature, and
blood pressure can be measured. All these quantities are represented by numbers.
Random variables are mappings from outcomes to numbers. We denote random
variables with bold- italic uppercase Roman letters (or sometimes Greek letters), such as
X and Y , and sometimes with subscripts, such as X 1, X2, etc. The outcomes are denoted
with italic lowercase letters, such as x , y, and n. For instance,

X (heads) =1
X (tails) =0

Events, sets of outcomes, become relations on the random variables. For instance,

{heads} = {X(heads) =l} ={X =l }

where we simplify the notation and write just {X = l}. As another example, let Y denote the
number of heads in three flips of a coin. Then, various events are written as follows:

{hhh } = { Y = 3}
{hht, hth, thh} = { Y = 2}
{hhh, hht, hth, thh} ={2 < Y < 3} ={ Y =2 } u { Y =3}
In some experiments, the variables are discrete (e.g., counting experiments), and in
others, the variables are continuous (e.g., height and weight). In still others, both types of
random variables can be present. A person's height and weight are continuous quantities,
but a person's gender is discrete, say, 0 = male and 1 = female.
A crucial distinction is that between the random variable, say, N, and the outcomes,
say, k = 0, 1,2,3. Before the experiment is done, the value of N is unknown. It could be any
of the outcomes. After the experiment is done, N is one of the values. The probabilities of N
refer to before the experin1ent; that is, Pr[ N = k] is the probability the experiment results in
the outcome k (i.e., that outcome k is the selected outcome).
Discrete random variables are considered in detail in Chapters 4, 5, and 6 and
continuous random variables in Chapters 7, 8, and 9.

1.5 BASIC PROBABILITY RULES

In this section, we take an intuitive approach to the basic rules of probability. In the next
section, we give a more formal approach to the basic rules.
When the experiment is performed, one outcome is selected. Any event or events
containing that outcome are true; all other events are false. This can be a confusing point:
even though only one outcome is selected, many events can be true because many events
can contain the selected outcome.
For example, consider the experiment of rolling an ordinary six-sided die. The
=
outcomes are the numbers 1, 2, 3, 4, 5, and 6. Let A = {1,2,3,41, B {2,4,61, and C {2}. =
Then, if the roll results in a 4, events A and B are true while C is false.
 1.5 Basic Probability Rules 7

Comment 1.3: The operations of set arithmet.ic are analogous to those of Boolean
a lgebra. Set union is analogous to Boolean Or, set intersection to Boolean And, and set
complement to Boolean complement.
For example, if C =Au 8, then C contains the selected outcome if either A or 8 ( or
both) contain the selected outcome. Altematively, we say C is true if A is true or 8 is
true.

Probability is a function of events that yields a number. If A is some event, then the
probability of A , denoted Pr [A), is a number; that is,

Pr(A] = number (1.3)

Probabilities are computed as follows: Each outcome in S is assigned a probability between

O and I such that the sum of all the outcome probabilities is 1. Then, for example, if A =
{a 1, a 2,a3), the probability of A is the stun of the outcome probabilities in A; that is,

A probability of O means the event does not occur. The empty set ¢, for instance, has
probability 0, or Pr(¢ ) = 0, since it has no outcomes. By definition whatever outcome is
selected is not in the empty set. Conversely, the sample space contains all outcomes. It is
always tr ue. Probabilities are normalized so that the probability of the sample space is I :

Pr(S] = I

The probability of any event A is between Oand I; that is, 0 < Pr(A] < 1. Since A u A = S,
it is reasonable to expect that Pr(A] + Pr(A] = 1. This is indeed tr ue and can be handy.
Sometimes one of these probabilities, Pr[ A] or Pr(AJ, is much easier to compute than the
other one. Reiterating, for any event A,

O<Pr(A]<l
Pr [A) + Pr[A] = I

The probabilities of nonoverlapping events add: if AB = ¢, then Pr[A u BJ = Pr [A) +

Pr[B). If the events overlap (i.e., have outcomes in common), then we must modify the
formula to eliminate any double counting. There are two main ways of doing this. The first
adds the two probabilities and then subtracts the probability of the overlapping region:

Pr[AuB] = Pr(A] +Pr[B]-Pr[AB)

The second avoids the overlap by breaking the union into nonoverlapping pieces:

Pr [A uB) = Pr[AB u ABuAB) = Pr[AB) + Pr[AB) + Pr(AB)

Both formulas are useful.

A crucial notion in probability is that of independence. Independence means two events,
A and B, do not affect each other. For example, flip a coin twice, and let A represent the event
8 CHAPTER 1 PROBABILITY BASICS

the first coin is heads and B the event the second coin is heads. If the two coin flips are done
in such a way that the result of the first flip does not affect the second flip (as coin flips are
usually done) , then we say the two flips are independent. When A and B are independent,
the probabilities multiply:

Pr [AB] = Pr(A] Pr(B] if A and Bare independent

Another way of thinking about independence is that knowing A has occurred ( or not
occur red) does not give us any information about whether B has occurred, and conversely,
knowing B does not give us information about A. See Chapter 2 for further discussion of
this view of independence.

Comment 1.4: Somet.imes probabilities are expressed as percentages. A probability of

0.5 might be expressed as a 50% chance of occurring.
The notation , Pr[A], is shorthand for the more complex "probability chat event A is
true," which itself is shorthand for the even more com plex "probabi lity t hat one of the
outcomes in A is the result of the experiment."
Similarly, intersections and unions can be thought of in terms of Boolean algebra:
Pr [Au8] means "the probability chat event A is true or evenc 8 is crue," and Pr [AB]
means "the probabil icy that event A is crue and evenc 8 is crue."

EXAMPLE 1.4 In Example 1.2, we defined two events, A and B, but said nothing about the probabilities.
Assume each side of the die is equally likely. Since there are six sides and each side is equally
likely, the probability of any one side must be I f 6:

Pr[A] = Pr[ {1,2,3,4}) (list the outcomes of A )

= Pr[l ) +Pr [2) +Pr[3)+ Pr[4) (break the event into its outcomes)

I I I I 4
=-+- + -+-=- (each side equally likely)
6 6 6 6 6
3 I
Pr(B) = Pr[2,4,6) = =
6 2
Continuing, A u B = {1,2,3,4,6} and AB= {2,4}. Thus,
5
Pr[AuB) = Pr[ {1,2,3, 4,6}] = (first, solve directly)
6
= Pr[A] + Pr[B] -Pr[AB) (second, solve with union formula)

4 3 2 5
=-+- - -=-
6 6 6 6
 1.6 Probability Formalized 9

Alter natively, AB = {1,3), AB = {6}, and

- - 2 2 l 5
Pr[A u BJ = Pr(ABJ + Pr [ABJ + Pr[ABJ = + + =
6 6 6 6

EXAMPLE 1.5 In Example 1.4, we assumed all sides of the die are equally likely. The probabilities do not
have to be equally likely. For instance, consider the following probabilities:

Pr( l J = 0.5

Pr [kJ = 0.1 for k = 2,3,4,5,6

Then, repeating the above calculations,

Pr[A) = Pr[ {1,2,3,4)) (list the outcomes of A )

= Pr[ 1) + Pr(2J + Pr[3) + Pr [4) (break the event into its outcomes)

l l l l 8
= - + -+- + - = - ( unequal probabilities)
2 10 10 10 10
3
Pr(B) = Pr[2,4,6) =
10
Continuing, Au B = {1,2,3,4,6), and AB = {2,4). Thus,
9
Pr[Au B) = Pr[ {1,2,3,4,6) ) = (first, solve directly)
10
= Pr[A) + Pr[BJ -Pr[AB) (second, solve with union for mula)

8 3 2 9
= -+--- = -
10 10 10 10
Alter natively,
- - 2 6 l 9
Pr[A u BJ = Pr(AB) + Pr [ABJ + Pr[ABJ = - + - + - = -
10 10 10 10

1.6 PROBABILITY FORMALIZED

A formal development begins with three axioms. Axioms are truths that are unproven but
accepted. We present the three axioms of probability, then use these axioms to prove several
basic theorems.
The first two axioms are simple, while the third is more complicated:

Axiom l : Pr[A) > 0 for any event A.

10 CHAPTER 1 PROBABILITY BASICS

Axiom 2: Pr[S) =1, where Sis the sample space.

Axiom 3: If A;for i =1,2, ... are pairwise disjoint, then
00 00

Pr[ LJA;j =_[ Pr[A;) (1.4)

;: l i= I

From these three axioms, the basic theorems about probability are proved. The first
axiom states that all probabilities are nonnegative. The second axiom states that the
probability of the sample space is I. Since the sample space contains all possible outcomes
(by definition), the result of the exper iment (the outcome that is selected) is contained in
S. Thus, Sis always true, and its probability is I. The third axiom says that the probabilities
of nonoverlapping events add; that is, if two or more events have no outcomes in common,
then the probability of the union is the sum of the individual probabilities.
Probability is like mass. The first axiom says mass is nonnegative, the second says the
mass of the universe is l , and the third says the masses of nonoverlapping bodies add. In
advanced texts, the word "measure" is often used in discussing probabilities.
This third axiom is handy in computing probabilities. Consider an event A containing
outcomes, a 1 ,a2, ... ,a11 • Then,

A = {a1>a 2, ... ,a,,}

= {ail u {a2} u · · · u {a,,}
Pr(A] =Pr( {ad)+ Pr [ {a2l] + ··· + Pr( {a,,})
since the events, {a ;l, are disjoint. When the context is clear, the clumsy notation Pr( {a ;}) is
replaced by the simpler Pr [a;).
In words, the paradigm is clear: divide the event into its outcomes, calculate the
probability of each outcome (technically, of the event containing only that outcome), and
sum the probabilities to obtain the probability of the event.

Comment 1.5: The ch ird axiom is often presenced in a finite form:

n n
Pr[ LJ A;j = L Pr[A;j
i=1 i: 1

when che A; are pairwise disjoint. A common special case holds for two disjo int events:
if AB=¢, chen Pr[A u 8] = Pr(A] + Pr(B] .
Both of t hese are special cases ofche third axiom (just let the excess A; = ¢). But, for
technical reasons chat are beyond chis text, che fin ite version does not imply che infinite
version.
Another random document with
no related content on Scribd:
Gerrit staan. Z’n afgeknaagd, smerig vest stak boven z’n pilow
clownig-gelapte, zakkerige broek uit, met drie knoopen-open-naar-
voren, en z’n groenige rots-kale jekker bobbelde losjes over z’n
lange blauwe kiel. Z’n smoezelig vuil-geel gezichtsvel, stond over
den heelen vergrijsden kop tot diep in de halskuil gebarsten van
scherpe groefjes en zwartige rimpels. En z’n groezelige
stoppelbaard haardotte verwaarloosd over ’t heele gelaat als was ie
ingewreven met turfmolm. Als ’n gekerfde lijnden nijdig de barsten
en ruitrimpels over ’t vel-geel van kaken en knevel-zware brauwen
gromden donker-dreigend boven kleine flauw-grijze oogjes.

—Gemiddag.… lekker hee?.… de rege hep dààn hee? sputterde

Bolk.

Zwaar dofklankte z’n stem, als baste ’t geluid uit z’n neusgaten òp
met ’n brom-nasalen nadreun. [8]

—Langedaik.… de Mosterdbroek hé ’k net vàt, hai sait.… gong hier

hain.—Hai je wa veur me?.… spitte of overschiete?.…

Hassel uit z’n hoog rug-krommige lengte keek bar neer op den
sjofelen daglooner, die zoo plots zich kwam opdringen. Zonder
antwoord van Hassel af te wachten nasaalde z’n stem dreunend
weer uit z’n platten polypen-neus:

—F’r duuf’ld aas’k wà anskiete ken.… f’r duufl’d.… ’t is hard.… nou

loop ’k puur de haile waik af.… en de polder af.… moar vast niks.…
vast niks!.…

Te bibber-blauwen van de kou stond ie, kabouterig-verkrompen, en

onder ’t spreken stampte ie z’n klomp-voeten tegen den hei-rand. De
ouë Bolk was een van de stumperige daggelders uit Wiereland,
verschrompelde grijsaard van zeventig jaar die niet weten wou, dat
ie zoo grijs al was, z’n hoofdhaar van voren altijd kaal liet knippen uit
angst dat ze ’m te oud zouen vinden om te werken, en nu, beef-oud,
nog heviger te beulen en te jakkeren had voor brood, dan in z’n
jeugd. Stram, krom was ie van ’t staan in alle weer, rhumatiekerig
van beestigen arbeid, onmenschelijk lang en wreed-rauw, krom van
’t rooien, spitten, wieden, plukken en kruipen, in guurste herfstweer
en vlijmend windgesnij, in slagregen of zonnebranding op ’t vlakke
veld, dat ie verdroogde van martelende hitte en ie wel ’t zweet van
z’n lijf wou inzuigen uit drang naar keelverkoeling, naar iets nattigs.
—’s Winters was ’t meeste werk gedaan; hadden bijna alle baas-
tuinders voor eigen arbeid hun zoons, kon hij den bedel op naar
arbeid, tegen November al, als in Wiereland markt en verdien-werk
finaal stil-stonden. Zoo, tot Maart of April bleef ie lanterfanten, leeg,
grimmig, wel voelend, dat ie met z’n stramme karkas en afgebeuld
lijf toch nooit in den omtrek van Wiereland en Duinkijk, waar ook
tuinderij en bollenland lag, werk kon vinden. En nooit zag ie tegen
zwaarste ploetering op. Bij elke nieuwe kans, wreef ie zich over z’n
stramme korpus, zei ie, met ’n schijn-luchtig lachie an z’n vrouw, dat
’t nog wel gong; spoog ie z’n kees in de verklauwde geteisterde
handen, de geweldige [9]vermartelde handen, die altijd, in werkstuip,
in krampige vingerbuiging haakten; wroette ie in den grond, sjouwde
of deed boodschappen, met karren, vervoer naar de haven,
ploeterde ie in ruige leefdrift, dol-bang,—maar diep verbergend dien
angst in zich-zelf,—dat ze ’m te oud zouen vinden, woedend en
smartelijker geslagen als elk jaar, jongere krachten ’m gingen
verdringen. Ja, ze hadden zoo op ’t oog wel meelij met ’m, de
menschen, maar dat gaf ’m niemendal in z’n zak, gaf ’m geen eten,
heel dien honger-dorren winter door. Hij woonde al zoo goedkoop
moog’lijk voor negentig cent op ’t weekie in ’n krot, één kamerachter
met erf op ’t Wierelandsche achterend, in ’t mors-deel van de armoe-
wijk, krot waar net even geademd kan worden, met plaats voor twee
stoelen, ’n kastje, ’n tafeltje, meer niet. Daar woonde ie al
vijfentwintig jaar, tevreê als ie kon werken, ploeteren; was ie
opgedroogd met z’n vrouw van acht-en-zestig, al jaren samen
geklonterd met ’t vuilste schorem, afval van de streek, dat zich daar
ophoopte, klierde in onreinheid van stoofhuisjes, hondenhokkig laag,
onder wijde hemelstolp. Daar schurkerde ie met zijn vrouw,
kinderloos. Van de diakenie had ie dit jaar krieltjes gehad, maar ze
waren voor de varkens te slecht, rottig, kuilerig, en ’t brandhout van
de armenbedeeling nog schunniger beetje. Zoo was ’t alle dag
blauwige krieltjes met olie.… wat gebedelde groenten soms, of
droog brood.… zoo alle dag, alle dag.… tot ’t liep tegen April, als het
stedeke uit z’n winterslaap begon te ontkillen. Als er beweeg, leven
en rijrumoer kwam in lente-opbloeiing; als zacht lentelicht droef
akker-brons en dooie hagenboschjes ging beflonkeren en beketsen
met zonnevuur, de tuinders al druk zaaiden en drentelden in hun
groentebedden; als ie zelf, midden in de geuren en gloei-kleuren van
zwaar-wasemende bollenakkers, duizelig nog van werkblijdschap, al
vroeg de lenteluwing inzoog, koesterend z’n ouë gebroken karkas,
en heel z’n stramme binnenste van fijne zoet-warme grondlucht
doorwaaien liet. Tegen dien tijd voelde ie dat ie nog noodig was, ook
zijn afgebeuld lijf, omdat ie beter dan de jonkies wist, wat ie te doen
had. Dan voelde [10]ie weer stoere kracht in z’n rug en joeg naijver
’m op, zoodat ie met de anderen al om drie uur in den klaren
ochtend op het groote land stond, tot ’s avonds negen, soms tot tien
uur, in drukst van aarbei- en pluktijd, mee naar ’t haventje tot elf—
dan, eindelijk hijg-op in de bedstee naast z’n vrouw, geschroeid en
verzuurd van zweet, neergesmakt lag als ’n beest, doorsnurkend, ’n
haastige paar uurtjes, tot den volgenden ochtend. Dan weer aan ’t
plukken, laaien, lossen, karrevracht verduwen zonder end.

Op het eind van zoo’n zomersche week, voelde ie zich gekraakt en

trillend ging ie gloeibevend in handen en polsen, snakte ie naar den
Zondag, één lang niksdoen, één juich-stil rusten, ingeklompt zitten
en slobberen koffie, en smakkeren pruimpies. Dan nieuwe week,
toch maar met ’n soort inschikkelijkheid begonnen, want zóó, in
zomerschen werkroes haalde ie nog wel negen pop, lei er zuinigjes
wat van over, as ie ’t eerbiediglijk in de knokige spierhand van z’n
vrouw zag opgeborgen, oversparend voor de eerste zwaarste
wintermaand, om niet heelemaal in-één daar naakt te staan. Zoo
ploeterde ie mee, tot ’t leefrumoer van zomer en brandende
zonnezoenen het stedeke met z’n tuinen en bollen, z’n groenten en
vruchten, tot wondre, schoone bloeistreek had gekleurd; als overal in
het naarstige stedeke, werkroes droesemde, en ’t havent je knel-vol,
en rumoer-donderend in enge ruimte was opgepropt van tuinders,
boeren, paarden, honden en karren, met gaan en komen van booten
en vrachten; het leven er gloeiend opging in stage wemeling van
drukte en werkhaast. Zoo ging ie mee, zorgzaam, zag ie weer
afnemen zomergloed en werkkoorts. Langzamerhand hóórde ie niet
meer het geratel van groentekarren en vruchtwagens; zàg ie niet
meer de frisch-kleurige groentebakken, klonk niet meer naar z’n
akker dóór, ’t vroolijke belgeklingel van zeetram, volgepropt met
badgasten, kinderen en jolende vakantiebenden, die anders,
luidruchtig in hun ongebondenheid, het stedeke bespatten en
beschuimden met joedeling en leefdrift; doolden er weemoediger,
drukkender wolkenbonken in de luchte-hallen en kwamen droeviger
regenvlagen door het àl [11]stillere herfstloover heentikkeren,
beglimmerend ’t groen, ’t overal uitpralende, woeste prachtgroen van
Wiereland. Dan hóórde ie, onbewust op z’n akker, in de stillere
grondgeluiden zàg-ie in den lageren zonnelichtdag, het woel-
gloeiende zomersche, ’t roesleven van ’t stedeke vergaan,
verruischen in den herfst; drong er vaalte op het veld, vreemde
vaalte en late schijnsels op de paadjes, tusschen hagen en
tuinderijen; kleuren die ’m vervreemdden van ’t leven, die ie
aanvoelde niet meer fel, als zomermooi. Dan doordrong ’m, dat alles
weer aan ’t zinken was, de groote zomerkoorts van werk en
ploetering, maar toch omgeurd van aardbei-zoete aroma’s en
versche-groentereuk. Dan voelde ie angstig, om-zich-heen en in
zichzelf aansluipen barren doodslaap van den winter, die honger,
nare kregelkermende kilheid en luiering bracht. Stiller kwam ie al
thuis, schoof ie z’n kopje leut langzamer naar zich toe, lachte ie met
z’n vermummied wijfje niet meer gemoedelijk, pruttelde en gromde
ie, strak voor zich uit, z’n mijmer-zorgen. De blompotjes stonden dan
uitgegrauwd, verdord, voor z’n klein krotraampje, en geen geurtje,
geen kleurtje was achter noch in z’n armoegrimmig donker straatje
te zien. Nou was alles dood; de tuinderij dood, de bollen dood, de
boomen dood, hij ook dood en triestig, naar en vervelend. Nou
tergde er saaiheid, werd alles ramp om ’m heen. Nou was ie af
gekaald en uitgeput als z’n blommepotjes op ’t vensterplankje voor
z’n raam. Zwaar begon te dreigen de dood-triestige donkere herfst-
lucht in z’n krotje, de late grijze duizeling en druiling, hij al bijna
werkeloos. Dan de winter, de sarrende zwarte winter, zwart voor
hèm, al blinkte ’r ijs en zon; de winter, dien ie vervloekte, de gierende
dolle waai-winter, die z’n streek lam sloeg en vereenzaamde tot
woestenij. Nergens, nergens wat voor ’m te verdienen: dood z’n
krotje, dood z’n raampje, suf z’n wijf, z’n kat in huis, in de stoof; dood
z’n blommetjes, dood hijzelf en z’n pijpie.—Dan moest z’n vrouw
gaan bedelen bij den rijkdom van ’t stedeke, huis aan huis. Dat
bedelen huis aan huis van z’n wijf deed ’m krimpen van schaamte en
van drift soms, omdat ie was een mannetje van eergevoel, een van
ouën [12]stempel, omdat ie wou werken en ie niet kon verdragen, dat
de menschen dachten, dat ie niet wou. Maar toch, één ding was er
voor hem gebleven in al z’n ellende,.… vertrouwen op God, stomp-
zalig vertrouwen op het Opperwezen. Toch, in die naarheid, dien
armen tijd, Zondags naar kerk, luisterend en gierig-gretig indrinkend
in z’n doezel-zwaar hoofd wat ie maar brokjes-dwaas voelde van die
zoete woordjes, van het leven hiernamaals, hopend, altijd maar
hopend, tot de barre grauwte weer gauw om was, geduldig maar.…
tot God te zijner tijd kwam.… En dan, in den hemel ergens voor hem
’n plaasie,.… lekker rustig op z’n gemak, zonder huurskuld, zonder
zorg, altijd pruimpies en lekker werk.… Voelde ie soms, dat er nog
wel werk was, maar dat ze hem nie meer konne gebruike om z’n
stramheid; ging er dan ’n week voorbij van erbarmelijke kou en
narigheid, dat z’n wijf ’t stookie op straat mos snorre, dan kreeg ie
wel zenuwproppen in z’n keel, maar dan keek ie weer naar z’n droog
stil wijf, dat ook niet morde, rustig bleef. Kwam weer hoop, hopen op
Zondag in de kerk, en lekker stil soezelen.… dat ie nou later zou
ankomme.… ergens in den hemel.… lekker-rustig en op z’n
gemak.… pruimpies en g’n sorg.….….….….…..————————

Nou ook bij ouë Gerrit.… niks!.… alleen kon ie nog vragen of ie
iemand wist, die ’m wat aardbei-mandjes wou laten vlechten. Maar
lieve heer.… wà’ kon hij uitvoere mi’ s’n bevende hande.… Vroeger
sestig, sevetig op ’n dag, nou geen tien.… wa’ kon ie hale.… vaif
sent.… En boompies make.… nee dat gong heelegoàr nie.… da
bukke.… da bukke.… ure achter malkaer.… de tieme rondvlechte.…
en stoan mi s’n poote op de boompies, gebukt.… nee, dan was ie
zoo roar in z’n ouë dop.… of d’r al moar bloed noar z’n hangende
kop droaide.… Verlede jaar hattie ’t prebeerd.. Maar bòns, was ie
tege den muur gesmakt, duizelig en tollerig en z’n stuut voelde ie
gebroke.… Wa hadde se’n pret had, ’t jonge goed.… nee, nee da
gong nie.… sou ie maor nie eens mee ankomme.… da gong nie.…
En dan.… se [13]woue ’m nie eens hewwe.… da jonge goed was ’m
de baas, da speelsche tuig.

Wà nou, wà’ nou, joeg ’t, jammer-knaagde ’t in ’m. Was ’t moar t’ met
somer.… moar lieve Heer!.… December.… begin December.…
goeie God.… wà’ mos da na-toe!—van wà’ nou vrete.…

De ouë Bolk had eerst nog voor zich heengekeken, stug, met
oogengraagte, de kalme zekere spithouwen van Dirk in z’n hei
bestarend,.… met jaloersche lust den kerel daar te verdringen.…
want dà kon ie, as de beste.… Maar toen inéén had ouë Gerrit ’m
aan ’t verstand gebracht dat ie gosommooglik ies veur ’m hat, dat ie
alleen die paar roe hat diep te spitte—miskien in ’t veurjaor, tegen
Moart, as de grond nie nog te hard was.…
—Hoho!.… Bolkie, schraapte de Ouë eruit, je skiet of’r, je bin nie
f’rtuunelik.… ’t spait me duuf’ls daa’k segge mot.… tug is ’t puur
woar.… je skiet of’r.… d’r is op heede van alderlei volk te veul.… j’
bin te veul.… d’r is nies.. puur nies omhande.… ’t wort allegoar
dàan, allegoar deur hullie.… verjenne.… ’t spait me.… huu!.. huu.…

En bij elk woord van afwijzing nog, wreed-onbewust van Hassel ’n

knauw op z’n bangelijk-grauw gezicht dat de barsten er dieper op
vergroefden in jammerlijnen; knauwen, neergemokerd op z’n
gebukten kop, die lager zonk onder ’t dorre afwijsgepraat. Nooit had
ie ’t zoo strak-zeker gevoeld. Niks meer was ie,.… niks meer.… ja.…
In zomer.… dan was s’n kromme bast nog goed genog.… Maar
nou!.… verslagen en verdroefd stond Bolk dieper de spithei in te
kijken, naar het wringlichaam van Dirk, dat overal kronkelde om
dieper door panderige ijzer-harde aardbonken in den grond te
dringen, in hevige stooten van z’n blinkige graaf doorvlijmend,
stootwaggelend met z’n modderklomp op schep-nek, al woester hak-
trappend dat ’t zweetvet bij dikke druppels van z’n brons-warmen
kop parelde, en z’n lijf zwol en wasemde van hette-damp. Guurder
woei wind aan en kleum-paars-bevlekt, [14]kregelde Bolk’s gezicht.
Aan z’n zware neergedrukte leeuweneus, breed, waaruit haar
borstelde, grauw-pluizig, pinkelde, klaar als ijspegeltje, ’n droppel. In
mijmerende droefnis morrelde ie zacht-trampelend tegen
spitheirand, dat der brokjes zand klonterig in terugbrokkelden.…

—Verjenne, daa’s hongerlije, nasaalde ie dof-klankloos voor-zich uit,

—daa’s hongerlije.… vast niks.… vast niks.…

Droef daalde z’n stem, beveriger smart huilde er doorheen, stil,

versmoord.

—Paa’s op Dirk, paa’s op! schreeuwde ouë Gerrit weer naar

beneden.… bom! d’r hai je ’n klodder!.. op s’n natte beene.. huhu.…
huhu!.…
Onbewust sterker trampelend had Bolk de spithei-rand afgebrokkeld
en kledderend was één zandkant ingestort. Dirk vloekte en keek
giftig naar ouë Bolk op, dien ie wel had kunnen doodtrappen.

—Wa skeel je.… oud k’nijn! giftte ie met halve stem woedend.…

Vloek-brommend, schoot ie met zware hakken den ingestorten

zandboel weer boven ’m uit en onder z’n klompen bleef de grond
zuigen en schuimen in zwart-blauwige modderborreling.

—Aa’s je nou d’rs de vaifde steek ommekeert Dirk, je zie nou water
hee?.… teemde goeig ouë Gerrit.

—Daa’s net, bromde Dirk, de kuil uitstarend schuin langs de beenen

van z’n vader, uithijgend, met neerhangende graaf, aan loom-moeën
arm. Piet was ook even van z’n hei naar hen toegestapt,
nieuwsgierig wat Bolk wou.… was nôu in den middag toch geen
haast bij ’t werk.

—’n Pruimpie vader?.… soo?.… niks van doen Platneus.… gain

spitwerk?

In z’n hooge modderlaarzen, met touw onder z’n knieen, om broek

gesnoerd, stond ie, reus-lenig, hoog, naast gekromde Bolk,
uitdagend-jolig in z’n jeugd-kracht en schonkige stoerheid van
polderkerel, z’n breed-jong lijf in los lawaai, onkenbaar [15]verspat en
beklodderd in z’n slijkpilow plunje en bronzige kiel. Dirk stapte ’n end
achteruit, nieuwe hei afstekend met z’n graaf, ’n lijn trekkend in den
grond, gooide weer dicht voorkuil die ònder ’m lag. Leniger werkte hij
bij elken heitop, tot alles weer werk boven z’n macht werd, en z’n
uitgegraven hol hem langzaam deed inzinken. Als neergestorte rots,
zwart blauwe blokken met zwavel-gele, en warm-roestige tinten lag
de akker nu wijer voor ’m omwoeld en Dirk daarin, op hei-top staand,
stoer-geweldig, midden in het kleur-bonkig gekluit, gebrokkel en
zwaar omwoeld aarde-innerlijk.

Krachtvoller, rythmisch-breeër, met z’n arm-gebaar de lucht

inhouwend, zwaarder, plonsden z’n schep-steken òp, en
neerbrokkelden ze in ’t woel-gedruisch van de al gespitte
grondbonken. Achteruitgaand, met langzamen stap, in al meer
uitgapende nieuwe kuil, onder z’n vettige klauwen, langs de
afgestoken hei-lijn, bekerfde ie zwaar ’t gansche aardbrok,
beheerschend met z’n knoest-armen ’t grondgewoel in reuzig-
gebaar, dat deinde in wiegeling van schep, naar-’m toe, vàn-’m-af.
En de zandklei, licht-luchtig zulde wèg van het ploeg-blinkende
graaf-staal, met krachtworp afgestooten, rondgestrooid, en
verpulverend om ’m heen als uiteengruizelend marmer. En nu, vaker
stond Dirk even uit te hijgen, denkloos, verstompt en uitgemergeld
van arbeid, vooruitstarend ’t verre middagveld over, met lichaam,
rauw-bemorst en massaal-donker gezakt tegen de laag-grauwe
lucht, roerloos kijkend, als geboetseerd uit smartelijke kleurklei
waarin ie werkte, stinkend in z’n fladderende rotplunje, melaatsig
uitgeworpen door zwaren grond en aarde-drift, in dampend lijf-
gezwoeg.

Piet stond nog te lol-lachen naast den stroef-verslagen Bolk, niets

meevoelend voor z’n angst en smart-ontzetting en angstige
hongerbenauwing. Wreed rauwde en plaagde ie door.

—Heé Jaan, seg es, hoe goa’t je kooters, na opstendigheit wel?.…

Nooit had ouë Bolk kinderen gehad; geen jongen, geen meid; z’n
grootste, stille smart.… En zóó maar grienbalke [16]kon ie as se d’r
van begonne.… nou weer die lamme kerel, had ie ze moar.…

—Koot’rs.… koot’rs, gromde ie vlak naar de spitkuil, ha’k ze moar.…

ha’k ze moar.… donderejeune!.. ha’k se moar.. ééne poar
hannekemoaiers.… lee ’k t’met g’n honger.… Bevend kneep z’n
traanstem door de ingedrukte neusgaten.

—Debies!.. de fent is dáás, sarde Piet.… hai hongerlaie.. hep ie de

smoor in.. hai hongerlaie!.… ken ie begraipe.… drie beeste op
stàl.… fier beere mest!.… main lieffie.… w’mo-je-nog-meer, zong
Piet sar-hoog in deklameertoon met ’n hoonbuiging naar Bolk.

—Bars jai, gromde Bolk, met tranen van windkou in z’n oogen,.…
godskristes.… koebeeste,.… ha’k moar koot’rs..

Weer kwam er schrei-droefnis in z’n stem, die stil, voor hem alleen
uit weende z’n smart.

—Dubbel debies! hoe he’k nou?.… schamperde Piet, gain

kooters?.… enn.. enne al die je.. die je ampart speult hep bai
Jans.… in ’t pertiekie.… seg?.… ’n ouë bok lust vast nog ’n groen
bloatje.… wa jou oue?.…

Bolk draaide zich nijdig om, met z’n rug naar Piet. Dirk zwoegde
door, spraakloos.—Rondom was grauwer, late middag-somberte
over de velden aan ’t verdroeven.… Op akkerverten, hier en daar,
was drukker beweeg van spitters dan in ochtend, silhouettig, zwart-
vagelijk toch, in het wazig winterdroeve grijs-grauw. De lucht dromde
zwaarder van regenwolken, en windstooten loeiden op, bulderend
rondgierend in dollendans, op de leege wijdte van ’t bronzen land.
Schimmiger uit alle hemelhoeken woei áán, scheemrige wolkenjacht.
aansliertend, wijd-alom, in reuze-donkering naar horizon, grauwiger
opgeblaas van vale wolkenkoppen, monsterlijk verwrongen met àl
droeviger schemerschijn op angst-looien wolk-gezichten. En stiller
nu, in roerlooze effenheid stonden de donkere erfjes en achteruitjes
van Bikkerstraat, vertriestend vaal, in barren grijns.
—Hep je bai Neelis de Borstel niks.… niks te hakke?.…, informeerde
schuintjes, nog eens de Ouë, onverschillig toch [17]voor ’t antwoord,
kijkend met gretigheid naar Dirk, die weer zwaar-zwellend in kracht,
door panderige aardplaten heen moest bonken.

—Wâ hakke?.… die raize, da’s louw, die hakke se omm’rs selfers

—Hoho!.… hoho! veur ’n skeet en acht knikkers wille sullie wel.…

—Goe je.… mùrrege.… goe je.… mùrrege, neusklankte hooger Bolk

onthutst.… se hewwe main neudig, al wi’k veur ’n sint p’r uur, puur
nog nie.… dà mo je gloowe hoor!.…

En weer opgehitst door angst en hongerbesef, klaag-vroeg ie voort

met zangerige, Wierelandsche stemstijgingen:

—Nou gain gaintjes Piet.… moar.… wee jai nou niks?

—Wie mo je hebbe.… màin,.… of m’jaosie, lolde Piet terug.

—Wa jonge kop.… de heule tait m’r gaintjes.… neegtien jaor t’met.…

—Da lieg gie.… neegtien en drie maondjes.

—In de eeuwighaid gaintjes.… goff’rdeeë!

—Nou, mag nie?.… wa ken main jou mikmak skeele.… mo’k nou al
griene, wa jou Dirk?

—Daa’s net, daa’s net, bibberde de ouë Bolk, zwakkelijk neus-

brommend voor zich uit, strak de spithei inkijkend, met oogen vol
tranen van guur windgescherp. Z’n kop was paarsig-bestriemd van
kou, en nattig klefte z’n wild verwaarloosd achterhoofdhaar, grijs-
kroezend z’n nekdoek in.

—Hee Jaa’n, d’r is puur ’n herberg in anbouw.

—Wa nou?

—’n Herberg, rejaal in anbouw, lolde Piet met ’n slag van pret op z’n
been,—d’r hang ’n droppel an je kokkert!.…

—Bars jai, snauwde Bolk verlegen ’n beetje, haastig met vlakke

hand z’n stompe neuspunt vegend. Nou was alles dààn, dood.

Droomerig-droef zei ie goe-dag en sukkelde, ingekrompener dan ie

aangesjokt was, weer weg, strompelend door de [18]natte
moddergreppels ’t land over, bij ’n buurman van Hassel, die met wat
mannetjes verderop te spitten stond.

—Nou gaat-ie bai Ronk, f’rek, die stong, van morge t’met an seve
uur op ’t land.… f’rek, hai hep g’n hand veur ooge sien-en kenne,
hep sain noodig.…..

Piet lachte nijdig, draaide zich om en loerde op den waggelrug van

Bolk, die kleiner nog wegzakte in de lage greppels en dwergelijk
donker, moeilijk-bang door de nauwe padjes heenmodderde, om te
zien of ’r wat voor ’m was bij Ronk.

—Half seeve? vroeg ouë Gerrit ’n beetje ongeloovig.… wie hep saìn
sien?

—Ikke, rumoerde Piet, ikke.… ik stong juust op de dors.. mos net

voerbiete hoale … enne.. vlak veur ’t raampie he’ksa in sien.. ’t was
donker buite aa’s de pest.… wà’ stinkende stuit.…

—Wa sel ’t dan hier bloase hewwe, bibberde ouë Gerrit in elkaar
schokkerend van kou, dieper handen z’n broekzakken indringend,
opsjortend z’n kleeren, in nauwe kreukels om z’n lijf. En plots voelde
ie wat lekker ’t voor hem was, zoo vroeg, in winterkilte dat Piet de
koebeesten voerde. Donderemente wa’ koud kreeg ie ’t nou.…
Piet was weer zingend naar z’n hei gestapt.

.… Die zai t’met niks van de kou.… jong bloed.…—Gerrit bibberde

en blauwde.… Heere.… as nou s’n waif moar nie so suf was as lest;
was t’met ’n merakel.… Wà’ s’al niet vergeten kon.…—Wa’ keek ouë
Bolk zuur, oud k’nijn.… hu.… hu!.… wa stong ie jammerlik te sukkele
en te klietere.… brr!.… nou sou ie moar s’n tukkie doene.. lekker.…
kachel.… buik nog vol.…

Langzaam sjokte ie, schouer-krommig ’n greppel door, dobberde

over braak brok grond, naar z’n huisje. Om drie uur stapten Dirk en
Piet op, lebberend hun kopje leut. Maar daarna, voort, voort, met ’t
warme spoelsel nog in hun maag, stil in de leeggegrauwde
oneindigheid, tot vier. Rondom de stille werkers kwam avondland
aandonk’ren. Heel de lage lucht hing vol paarsig-grauw geschemer,
lag vaal te nevelen, droef-duisterend [19]op wijden akker, donker-
brons. Stilte-suizel woei aan uit alle schemerhoeken. De erfjes en
achteruitkrotjes schimden als uit lucht àfgebonsde wolkgedrochten,
zweef-los neergeduisterd op vreemd-droef aardeland. En duisterder
nog tegen de lucht, en verder, soberden silhouetten van eenzame,
gebogen zwoegkerels, àl sterker overgrauwd van doorstilden
avondval. In laatste werkkoorts worstelden ze daar, met het
gezonkene late licht, dat króóp over de velden, slóóp over de
donkere gestalten, die bangelijk ver-reuzigden, tegen aandreigend
hemelduister in. En wijd-rondomme, eind’looze avond-weedom van ’t
land zonk uit, verdempend wegstervende geruchten, in de
donkerende verstilling van leven. [20]
[Inhoud]
 TWEEDE HOOFDSTUK.

Er was drukke doenigheid in ’t stedeke Wiereland, Sinterklaas was

op handen. Dienstmeisjes liepen door de in vroegte al rumoerende
straatjes, met pakjes, kistjes en doozen. Kerels met hondekarren
holden in hortende ratelvaart langs den weg, en twee dronken
tuinders, met ’n metselaar, zwaaiden zigzag door het nauwe
hoofdwijkje, waggel-zwaar over de tramrails, be-lawaaiend ’t straatje
van de fatsoenlijke burgerij en notabelen van het plaatsje. Voor elk
tuinhekje der éénverdiepingshuisjes, bleven de rauw-zingende
dwarse kerels zeurderig chicaneeren, in ronkend geschreeuw, zich
vasthakend aan ’t krulwerk, hun logge lijven uitslingerend naar
rechts en links.—Komiekerig-hard sloegen ze elkaar op schouders
en pofpetten, en brulden hun rauwe stemme-ronk door het deftige
buurtje, dat de meiden aan de ramen kwamen kijken. Overal, uit
zijstraatjes, klonk door het dorps-stadje het vreemd-klossend
geklakker, op dit uur, van beklompte schoolkinderen die vrijaf
hadden, en glunderig loerden voor de winkeltjes, duffe koomenijtjes,
opgedirkt met grof suikerwerk, in fletse kleur, melancholiek-
gedwongen pronkend achter de ruitjes, boerig gebluf van
schreeuwleelijk kleurgerammel. In de zijstraatjes, en op de groote
Baanstraat bij ’t station, dè winkelwijk, was meer gedruisch dan
anders ooit verklonk op dit morgenuur van uitgestorven
winterstedeke. De lucht was blauw-licht en overal gouïge
zonneglansjes, bleek winterstrak, maar vroolijk toch, en het naakte
arm’lijke boomgetak in de zijstraatjes en tuintjes, stond nu, lichtelijk
te duizelen in blijig Sinterklaasweer. Al kwam telkens, gelig-grauw
gewolk van zeekant aanwaaien, [21]beduisteren ’t stedeke, en woest-
vaal windgezwier opgieren door de wijkjes, telkens weer worstelde
zon er onder uit, glanste en strak-lichtte ’t weer vroolijk nà op grond
en geveltjes, op wit geschort van slagers, dienstmeisjes en
opgedirkte speelkindertjes-kleertooi.

Ouë Gerrit rammelde op z’n klompen ’t deftige buurtje door naar de

achterwijk. Hij had vijfmaal uitgestelde belasting betaald, en de
ontvanger was heel vriendelijk geweest. Nou liep ie naar z’n huis,
tusschen kronkelwegjes van Wiereland, inkrommend, plots nauw-
pijpig uitloopend, poel-modderig onbestraat, op duffe gangetjes en
blinde steegjes, naar geestigste armoehoek van ’t stedeke. Overal
brokkelden honden-hokkige, laag-knellende huisjes met triestig-
groen bemoste daakjes, zacht-rood verweerd, bedakpand en
uitgezweet in vale kleuren op smadelijk droeve, heimwee bergende
geveltjes. De dakjes dreigden vlak op deuringang, boven één raam,
nog verstugd in kleine ruitjes, donkere krotjes van menschbeesten.
Overal rumoerde in koker-diepe straatjes-engte, aan weerskanten
vóór krotjes, zware olmen, neergeplant als wakende reuzen, droef
stam-zwaar, gekerfd en vreemd-kleurig bemost, hevig lawaaiend in
windgeloei en takgegeesel, vullend de armoe-wijkjes met hoonend
windgeschrei en orkaan-gedreun. En dààr, achter den wind, de verre
zeestem, in bulderzang er boven uit. Tusschen halve bestrating,
morsig en rommelig, kronkelden wegjes en erfjes, kaal, in-één
uitloopend op verwaarloosde padjes, waar overal ruigte lag en vuil,
slijk-bonken en rotte graszooien; waar, met ’n draai, plots open-
groenden, groote kale tuinderijen en wei-brokken, uitgedord en
woest-vereenzaamd tusschen krotjes-gebrokkel, winterig dorps-stil
en sidderend melancholiek. Voort klomperde ouë Gerrit op ’t
Beukenwegje, krom-gegroeid straatje, ’t eenige dat vroolijker
uitkleurde in ’t licht, met z’n grijslila en wit gekalkte geveltjes en
blauwige teer-randen; waar de boomen ook ’n minder droeven
loeizang, hoog boven bemoste krot-daakjes ver-klaagden.

Bij ’t Bikkerspleintje, dat wijd-donker en nacht-zwaar beboomd

wegschool, met een rij laag-grimmige huisjes, aan elkaar, in
geheime schaduwstilte, druilig-geel licht uit ruitjeskleine ramen
[22]verkaatsend,—liep Gerrit raak op z’n woning aan, ’t Hielandsche
pad, dat uitkeek op weiland en tuinderij. Daar was ’t deftiger, met
krenterige nette huisjes, nieuw. Stil, op ’t grof-bekijde weggetje,
stond, in zonnehoek ’n omroeper te schreeuwen met dreun-zangrige
slagen op koperen bekken. Na iedere roffeling, rochelde ie uit z’n
lesje.… dat t’r venàfint gesmakt sou worde krek ses uur in de Groote
Hoorn, om paling. Dan sloeg ie àf, dat z’n koperen bekken vlam-
sidderde en vonk-ketste in zon, begon ie weer eentonig voor ’n
konkurent te ratelen,.… die smakke sou veur Sinterklaas op
bloedbeuling, kenijne.… varkesboutjes èn -soo foort.

In de woonkamer, aan den weg, zat vrouw Hassel, met ’r rug naar de
kachel, dof omgonsd in ’r ooren, vol van dreunslagen van bekken,
versuft toch, als sliep ze met oogen open. Achter haar stoeltje rookte
’t benauwd, lichtelijk in brandlucht. Bij ’t kamer-instappen zag ouë
Gerrit dadelijk dat haar schort aan ’t branden was, over de kachel te
drogen gehangen.

—Ho!.… hoho!.… waif’.… wa sije nou te suffe.… je skort.… kaik

toch minsmeroakel!.… stoan te smeule.… reuk je dan nies.…

Met schrik-gezicht, draaide vrouw Hassel om, wild grijpend naar d’r
schort. Ze had ook even wel iets vreemds geroken, iets smeulerigs,
maar ’t was ’r weer door d’r hoofd gegaan, omdat ze niet begreep
wàt ’t kon zijn, heelemaal niet meer wetend dat ze d’r schort voor de
kachel had gehangen.

—Wa vergat ze leste taid tug alles en alles.… Hoe was ’t gods-in-d’r
leve mogelik. Nou had se d’r eige nog so gesait …. Nou dènk je d’r
an.… en nou, na ’n paar menuute allegoar rejaal vergete.…
vergete.… Tranen kreeg ze in ’r oogen. ’t Maakte ’r zoo bang, zoo
huilerig en zenuwachtig. Ze voelde wel onrustig dat er al ’n poos
lang wat mals met ’r gebeurde, in ’r kop vooral, maar ze kon niet
vatten wàt, wàt.

Ouë Gerrit was op z’n kousen door den stal heengesjokt, had even
naar z’n beesten gekeken, en was moe-huiverig op [23]z’n biezen
kaal-korten gemakstoel bij den kachel geschoven. Z’n jekker had ie
aangehouen en met ingezakt bovenlijf zat-ie zich behaag-zwaar te
schurken, zoekend naar meer broeiing en warmte. Toch voelde ie
zich brommerig op zijn wijf dat al ’n jaar lang temet alles vergat. En
dàn, dat huilen van ’r, dat nare drenzerige grienen, met halve smart-
zinnetjes er tusschen gekermd, waarvan ie niks begreep, dàt, dàt
maakte ’m helsch. F’r wa griende da waif tug?.… Wier se soo fèl
geslage?.… godskristus, wa g’luk da Guurtje d’r was, s’ maid van
twintig, sain eenige maid goddank. Versakrementeele, aa’s die d’r
nie was, krege temet de jonges nie eens d’r buik vol. Dan vergat se
te koke.… snôverjenne.… wa’ malle f’rduufeling tug.…

Nijdiger gromde ’t in ’m, vreemd, kwaadaardig vreemd staand tegen

het vergeten van z’n wijf. Want altijd maar dacht-ie, net aa’s nou, dat
se d’r eige van huiswerk af wou make op d’r ouë dag.…

Wa wou dat mormel tug, die laileke trien?.… Wà sat se nou weer?
van de skrik te griene.… ja verdomd!.… op ’t achterend weer.…

Stram opstaand, gooide ie z’n vies-groen petje van ’t hoofd in ’n

kamerhoek en pookte, omdat de kachel niet genoeg trok naar z’n
zin. Rumoerig bonkte ie met den pook onder ’t rooster, dat de
vonken er uitspatten op z’n rood-bebaand karpetje. Met z’n nog
blauwige, doorkerfde handen grabbelde ie de vonken op, bang voor
vuur-in-z’n-boel, vlug in pijnhaast ze afwerpend in den aschbak.
Wrevelig smakte ie weer terug in z’n dunbiezigen gemakstoel,
beklemd tusschen de afgeknaagde arm-leun-stompjes, schurkte
weer verlangend naar hitte, zooals daarnet toen ’r zoo’n lekkere
slaperige loomheid over z’n oogen was geduizeld. Maar nou kwam ’t
niet gauw. Van morgen had ie weer es wat gestolen. ’n Wilde stille
jubel was ’t in ’m gebleven, tòt ie z’n vrouw weer zoo mal had
aangetroffen en ie ’r nijdig van was geworden. Rare vent was ie
toch. Nou ’n heele poos weer winter, nies doen, en al maar weer in
’m, die rare, bange lust om dinge te ganneffe, die van sain nie
ware… [24]Heere-verjenne!.… Hij was d’r self ook wel es dood van,
maar ’t sterkst kwam ’t toch in ’m op aa’s d’r heelemaal niks
omhanden was. Nee, dat zware tuinen,.… was ie ’s winters niet
meer tegen opgewasschen.—Maar s’n liefebrij had ie angehoue uit
eige senieeghaid, dochtte se allegoar.… Villa Duinzicht, van de
familie Bekkema, dat most ie opknappen ’s zomers, en dan had ie ’r
self wat mee omhanden. Tuinieren dat was eigenlijk z’n vak. Als de
familie Bekkema, die soms tot October hokte op d’r buiten, weer
naar de stad heen ging, bleef de heele tuinboel voor zijn zorg. Dit
jaar had ie ’r juist nieuwe menschen ingekregen, omdat de weduwe
Bekkema ’t vorige jaar gestorven was. Wa lief waif dâ wezen kon. Ze
had ’m zóó vertrouwd dat hij de heele boel voor d’r afsloot, alle
kamers en kasten, en alles het voor- en najaar, onder zijn toezicht
liet schoonmaken.—Van diè dame had ie den sleutel gekregen en
was ie baas in den tuin. De nieuwe lui, erfgenamen, wouên ’m wel
houen, ouë brave kerel als ie was, met z’n vrindelijk-grijze kop, altijd
klaar met z’n onderdanig lachie.… Ze hadden ’m wel leuk gevonden.
—Maar van hen kreeg ie alleen sleutel van het tuinhek, en van de
winterkasten.—In ’t stedeke konkelden de menschen dat ouë Gerrit
’t eigenlijk niet noodig had te doen voor z’n brood; wisten ze niet dat
ie tot z’n strot in de schulden zat; dachten ze dat ie, van ’n zware
ziekte weer opgescharreld, op ’t land toch niets meer bijna kon
uitvoeren, en nou maar wat an de hand wou hebben. Zoo zeien ze
allemaal en zichzelf had ie ’t ook ingepraat dat ie zich het prettigst
nog bezighield met wat blommen verzorgen, potjes opknappen,
perkjes beknutselen, snoeien en knippen, en dan op z’n eigen
akkers bijhouend heel licht werkje voor ’t voorjaar, zaaien, bedjes
maken. Zoo wou ie, al was ie zwakkelijk in z’n rug en al had dokter
geseid, dat ie geen zeventig zou halen, een en al doenigheid,
doenigheid. Anders voelde ie zich benauwd, doodgaan, raar in z’n
kop, klopperig en beverig, zenuwachtig van stilzitten, nies-doen. Nou
had ie toch werk in den tuin van de Bekkema’s, z’n knutselen hieran,
daaran; was ie geruster. Maar iets, van z’n vroeger leven al, liet ’m
nooit los. ’n Diepe, [25]diepe drift, ’n hartstocht, martelend had ’m
vastgeklauwd. Wat van hem niet was, moest ie somwijlen in één
hebben;—wat los stond en waar ie van af moest blijven. Juist ’n paar
maanden geleden, had ie ’t „plaatsje” opgeruimd, den tuin van de
Bekkema’s, had ie de groote bakplanten weggekruid, de bladmest
omgeharkt, langzaam, elken dag wàt, op z’n dooie gemak. Toen had
ie stiekum ’n paar kruiwagens bladmest meegepiept, zoo maar,
alleen om te hebben, om er niets mee te doen, dan hèbben, hèbben.
—Eerst nog zoo heelemaal nièt van hem, daarna, toen ie ze had,
zoo heelemaal wèl van hem. Met z’n handen in z’n zakken had ie
eerst zoo’n beetje ouëmannetjesachtig achter de villa omgekuierd,
woedend toch, dat dit jaar, in àl die veertig jaren, voor ’t eerst de boel
voor hem gesloten was, dat ie nergens in kon, alles dichtgemetseld
stond met nare blauw-vale luiken.

Alles had er kaal-vreemd gestaan; kaal-vreemd, ’t pàs nog van

zomergroen gloeiende loover, waarachter de villa diep verdoken in
wingerd- en klimoplommering, was gaan uitkijken, toen, àchter
tooverroes van herfstkleurbrand. Maar hij had niks anders gevoeld
dan wrok, onrustig en nijdig, in zich zelf al maar heen en weer
loopend, scheldend op den nieuwen „rijkdom” die ’m nou zoo buiten
had gesloten, hèm die ’t grootste genot had as tie mocht snuffelen
en skarrelen in ’n anderman’s boel. Zoo was ie, wrokkig, blijven
turen in de prachtige achterhoeken van den tuin, die toen lag te
wonderen in z’n kleur-legenden van herfst, tusschen
wingerdbloedglanzen en goud-groene boomentooi. En de
voorbijgangers van ’t stedeke hadden ’m benijd, in z’n lui werkie,
maar hij had wel kunnen razen en vloeken van kwaardaadigheid.