Full download ebooks at ebookmeta.

com

Foundations of Applied Statistical Methods 2nd

Edition Hang Lee

https://ebookmeta.com/product/foundations-of-applied-
statistical-methods-2nd-edition-hang-lee/

OR CLICK BUTTON

DOWLOAD NOW

Download more ebook from https://ebookmeta.com

More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Foundations of Applied Statistical Methods 2nd Edition

Hang Lee

https://ebookmeta.com/product/foundations-of-applied-statistical-
methods-2nd-edition-hang-lee-2/

Statistical Methods for Survival Data Analysis 3rd

Edition Lee

https://ebookmeta.com/product/statistical-methods-for-survival-
data-analysis-3rd-edition-lee/

Machine Learning Methods 1st Edition Hang Li

https://ebookmeta.com/product/machine-learning-methods-1st-
edition-hang-li/

Statistical Methods for Handling Incomplete Data 2nd

Edition Kim

https://ebookmeta.com/product/statistical-methods-for-handling-
incomplete-data-2nd-edition-kim/
Statistical Methods in Hydrology and Hydroclimatology
2nd Edition Rajib Maity

https://ebookmeta.com/product/statistical-methods-in-hydrology-
and-hydroclimatology-2nd-edition-rajib-maity/

Mathematical Foundations of Infinite Dimensional

Statistical Models Evarist Giné

https://ebookmeta.com/product/mathematical-foundations-of-
infinite-dimensional-statistical-models-evarist-gine/

Foundations of Applied Mathematics Volume I 1st Edition

Jeffrey Humpherys

https://ebookmeta.com/product/foundations-of-applied-mathematics-
volume-i-1st-edition-jeffrey-humpherys/

Statistical Methods 4th Edition Donna Mohr

https://ebookmeta.com/product/statistical-methods-4th-edition-
donna-mohr/

Foundations and Methods of Stochastic Simulation A

First Course 2nd Edition Barry L. Nelson

https://ebookmeta.com/product/foundations-and-methods-of-
stochastic-simulation-a-first-course-2nd-edition-barry-l-nelson/
Hang Lee

Foundations of Applied Statistical

Methods
2nd ed. 2023
Hang Lee
Massachusetts General Hospital Biostatistics Center, Department of
Medicine, Harvard Medical School, Boston, MA, USA

ISBN 978-3-031-42295-9 e-ISBN 978-3-031-42296-6

https://doi.org/10.1007/978-3-031-42296-6

© The Editor(s) (if applicable) and The Author(s), under exclusive

license to Springer Nature Switzerland AG 2014, 2023

This work is subject to copyright. All rights are solely and exclusively
licensed by the Publisher, whether the whole or part of the material is
concerned, specifically the rights of translation, reprinting, reuse of
illustrations, recitation, broadcasting, reproduction on microfilms or in
any other physical way, and transmission or information storage and
retrieval, electronic adaptation, computer software, or by similar or
dissimilar methodology now known or hereafter developed.

The use of general descriptive names, registered names, trademarks,

service marks, etc. in this publication does not imply, even in the
absence of a specific statement, that such names are exempt from the
relevant protective laws and regulations and therefore free for general
use.

The publisher, the authors, and the editors are safe to assume that the
advice and information in this book are believed to be true and accurate
at the date of publication. Neither the publisher nor the authors or the
editors give a warranty, expressed or implied, with respect to the
material contained herein or for any errors or omissions that may have
been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.
This Springer imprint is published by the registered company Springer
Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham,
Switzerland
Preface
Researchers who design and conduct experiments or sample surveys,
perform data analysis and statistical inference, and write scientific
reports need adequate knowledge of applied statistics. To build
adequate and sturdy knowledge of applied statistical methods, firm
foundation is essential. I have come across many researchers who had
studied statistics in the past but are still far from being ready to apply
the learned knowledge to their problem solving, and else who have
forgotten what they had learned. This could be partly because the
mathematical technicality dealt with their past study material was
above their mathematics proficiency, or otherwise the studied worked
examples often lacked addressing essential fundamentals of the applied
methods. This book is written to fill gaps between the traditional
textbooks involving ample amount of technically challenging
mathematical derivations and/or the worked examples of data analyses
that often underemphasize fundamentals. The chapters of this book are
dedicated to spell out and demonstrate, not to merely explain,
necessary foundational ideas so that the motivated readers can learn to
fully appreciate the fundamentals of the commonly applied methods
and revivify the forgotten knowledge of the methods without having to
deal with complex mathematical derivations or attempt to generalize
oversimplified worked examples of plug-and-play techniques. Detailed
mathematical expressions are exhibited only if they are definitional or
intuitively comprehensible. Data-oriented examples are illustrated only
to aid the demonstration of fundamentals. This book can be used as a
guidebook for applied researchers or as an introductory statistical
methods course textbook for the graduate students not majoring in
statistics.
Hang Lee
Boston, MA, USA
Contents
1 Description of Data and Essential Probability Models
1.​1 Types of Data
1.​2 Description of Data
1.​2.​1 Distribution
1.​2.​2 Description of Categorical Data
1.​2.​3 Description of Continuous Data
1.​2.​4 Stem-and-Leaf Plot
1.​2.​5 Box-and-Whisker Plot
1.​3 Descriptive Statistics
1.​3.​1 Statistic
1.​3.​2 Central Tendency Descriptive Statistics for
Quantitative Outcomes
1.​3.​3 Dispersion Descriptive Statistics for Quantitative
Outcomes
1.​3.​4 Variance
1.​3.​5 Standard Deviation
1.​3.​6 Property of Standard Deviation After Data
Transformations
1.​3.​7 Other Descriptive Statistics for Dispersion
1.​3.​8 Dispersions Among Multiple Data Sets
1.​3.​9 Caution to CV Interpretation
1.​4 Statistics for Describing Relationships Between Two
Outcomes
1.​4.​1 Linear Correlation Between Two Continuous
Outcomes
1.​4.​2 Contingency Table to Describe an Association Between
Two Categorical Outcomes
 1.​4.​3 Odds Ratio
1.​5 Two Essential Probability Distribution
1.​5.​1 Gaussian Distribution
1.​5.​2 Probability Density Function of Gaussian Distribution
1.​5.​3 Application of Gaussian Distribution
1.​5.​4 Standard Normal Distribution
1.​5.​5 Binomial Distribution
Bibliography
2 Statistical Inference Concentrating on a Single Mean
2.​1 Population and Sample
2.​1.​1 Sampling and Non-sampling Errors
2.​1.​2 Sample Distribution and Sampling Distribution
2.​1.​3 Standard Error
2.​1.​4 Sampling Methods and Sampling Variability of the
Sample Means
2.​2 Statistical Inference
2.​2.​1 Data Reduction and Related Nomenclatures
2.​2.​2 Central Limit Theorem
2.2.3 The t-Distribution
2.​2.​4 Hypothesis Testing
2.​2.​5 Accuracy and Precision
2.​2.​6 Interval Estimation and Confidence Interval
2.​2.​7 Bayesian Inference
2.​2.​8 Study Design and Its Impact to Accuracy and Precision
Bibliography
3 t-Tests for Two-Mean Comparison
 3.1 Independent Samples t-Test for Comparing Two
Independent Means
3.1.1 Independent Samples t-Test When Variances Are
Unequal
3.1.2 Denominator Formulae of the Test Statistic for
Independent Samples t-Test
3.​1.​3 Connection to the Confidence Interval
3.2 Paired Sample t-Test for Comparing Paired Means
3.3 Use of Excel for t-Tests
Bibliography
4 Inference Using Analysis of Variance (ANOVA) for Comparing
Multiple Means
4.​1 Sums of Squares and Variances
4.2 F-Test
4.​3 Multiple Comparisons and Increased Chance of Type 1
Error
4.​4 Beyond Single-Factor ANOVA
4.​4.​1 Multi-factor ANOVA
4.​4.​2 Interaction
4.​4.​3 Repeated Measures ANOVA
4.​4.​4 Use of Excel for ANOVA
Bibliography
5 Inference of Correlation and Regression
5.​1 Inference of Pearson’s Correlation Coefficient
5.​2 Linear Regression Model with One Independent Variable:​
Simple Regression Model
5.​3 Simple Linear Regression Analysis
 5.​4 Linear Regression Models with Multiple Independent
Variables
5.​5 Logistic Regression Model with One Independent Variable:​
Simple Logistic Regression Model
5.​6 Consolidation of Regression Models
5.​6.​1 General and Generalized Linear Models
5.​6.​2 Multivariate Analysis Versus Multivariable Model
5.​7 Application of Linear Models with Multiple Independent
Variables
5.​8 Worked Examples of General and Generalized Linear
Models
5.​8.​1 Worked Example of a General Linear Model
5.​8.​2 Worked Example of a Generalized Linear Model
(Logistic Model) Where All Multiple Independent Variables
Are Dummy Variables
5.​9 Measure of Agreement Between Outcome Pairs:​
Concordance Correlation Coefficient for Continuous Outcomes
and Kappa (κ) for Categorical Outcomes
5.​10 Handling of Clustered Observations
Bibliography
6 Normal Distribution Assumption-Free Nonparametric Inference
6.​1 Comparing Two Proportions Using a 2 × 2 Contingency
Table
6.​1.​1 Chi-Square Test for Comparing Two Independent
Proportions
6.​1.​2 Fisher’s Exact Test
6.​1.​3 Comparing Two Proportions in Paired Samples
6.​2 Normal Distribution Assumption-Free Rank-Based Methods
for Comparing Distributions of Continuous Outcomes
 6.​2.​1 Permutation Test
6.​2.​2 Wilcoxon’s Rank Sum Test
6.​2.​3 Kruskal–Wallis Test
6.​2.​4 Wilcoxon’s Signed Rank Test
6.​3 Linear Correlation Based on Ranks
6.​4 About Nonparametric Methods
Bibliography
7 Methods for Censored Survival Time Data
7.​1 Censored Observations
7.​2 Probability of Surviving Longer Than Certain Duration
7.​3 Statistical Comparison of Two Survival Distributions with
Censoring
Bibliography
8 Sample Size and Power
8.​1 Sample Size for Single Mean Interval Estimation
8.​2 Sample Size for Hypothesis Tests
8.2.1 Sample Size for Comparing Two Means Using
Independent Samples z- and t-Tests
8.​2.​2 Sample Size for Comparing Two Proportions
Bibliography
9 Review Exercise Problems
9.​1 Review Exercise 1
9.​1.​1 Solutions for Review Exercise 1
9.​2 Review Exercise 2
9.​2.​1 Solutions for Review Exercise 2
10 Statistical Tables
Index
© The Author(s), under exclusive license to Springer Nature Switzerland AG 2023
H. Lee, Foundations of Applied Statistical Methods
https://doi.org/10.1007/978-3-031-42296-6_1

1. Description of Data and Essential

Probability Models
Hang Lee1
(1) Massachusetts General Hospital Biostatistics Center, Department of
Medicine, Harvard Medical School, Boston, MA, USA

This chapter portrays how to make sense of gathered data before performing
formal statistical inference. The topics covered are types of data, how to
visualize data, how to summarize data into a few descriptive statistics (i.e.,
condensed numerical indices), and introduction to some useful probability
models.

1.1 Types of Data

Typical types of data arising from most studies fall into one of the following
categories.
Nominal categorical data contain qualitative information and appear to
discrete values that are codified into numbers or characters (e.g., 1 = case with a
disease diagnosis, 0 = control; M = male, F = female, etc.).
Ordinal categorical data are semi-quantitative and discrete, and the numeric
coding scheme is to order the values such as 1 = mild, 2 = moderate, and
3 = severe. Note that the value of 3 (severe) does not necessarily be three times
more severe than 1 (mild).
Count (number of events) data are quantitative and discrete (i.e., 0, 1, 2 …).
Interval scale data are quantitative and continuous. There is no absolute 0,
and the reference value is arbitrary. Examples of such data are temperature
values in °C and °F.
Ratio scale data are quantitative and continuous, and there is absolute 0; e.g.,
body weight and height.
In most cases, the types of data usually fall into the above classification
scheme shown in Table 1.1 in that the types of data can be classified into either
quantitative or qualitative, and discrete or continuous.
Table 1.1 Classification of data types

Qualitative Quantitative
Discrete Nominal categorical (e.g., M = male, Ordinal categorical (e.g., 1 = mild,
F = female) 2 = moderate, 3 = severe)
Count (e.g., number of incidences 0, 1, 2, 3,
…)
Continuous N/A Interval scale (e.g., temperature)
Ratio scale (e.g., weight)
Nonetheless, some definition of the data type may not be clear, among which
the similarity and dissimilarity between the ratio scale and interval scale may be
the ones that need further clarification.
Ratio scale: If two distinct values of quantitative data were able to be
represented by a ratio of two numerical values, then such data are ratio scale
data. For example, two observations xi = 200 and xj = 100, for i ≠ j; the ratio
xi/xj = 2 shows that xi is twice of xj, for example, lung volume, age, disease
duration, etc.
Interval scale: If two distinct values of quantitative data were not ratio-able,
then such data are interval scale data. Temperature is a good example as it has
three temperature systems, i.e., Fahrenheit, Celsius, and Kelvin. Kelvin system
also has its absolute 0 (there is no negative temperature in Kelvin system). For
example, 200 °F is not a temperature that is twice higher than 100 °F. We can
only say that 200 °F is higher by 100 degrees (i.e., the displacement between
200 and 100 is 100 degrees in Fahrenheit measurement scale).

1.2 Description of Data

1.2.1 Distribution
A distribution is a complete description of how high the occurring chance (i.e.,
probability) of a unique datum or certain range of data values is. The following
two explanations will help you grasp the concept. If you keep on rolling a die,
you will expect to observe 1, 2, 3, 4, 5, or 6 equally likely, i.e., a probability for
each unique outcome value is 1/6. We say, probability of 1/6 is distributed to 1,
1/6 is to 2, 1/6 to 3, 1/6 to 4, 1/6 to 5, and 1/6 to 6. Another example is that if
you keep on rolling a die many times, and each time you say a success if the
observed outcome is 5 or 6 and say a failure otherwise, then your expected
chance to observe a success will be 1/3 and that of a failure will be 2/3. We say,
a probability of 1/3 is distributed to the success, and 2/3 is distributed to the
failure. There are many distributions that cannot be described as simply as
these two examples, which require descriptions using sophisticated
mathematical functions.
Let us discuss how to describe the distributions arising from various types of
data. One way to describe a set of collected data is to describe the distribution of
relative frequency for the observed individual values (e.g., what values are very
common and what values are how less common). Graphs, simple tables, or a few
summary numbers are commonly used.

1.2.2 Description of Categorical Data

A simple tabulation (frequency table) is to list the observed count (and
proportion in percentage value) for each category. A bar chart (see Figs. 1.1 and
1.2) can be used for a visual summary of nominal and ordinal outcome
distributions. The size of each bar in Figs. 1.1 and 1.2 reveals the actual counts.
It is also common to present it as the relative frequency (i.e., proportion of each
category in percentage of the total).
Fig. 1.1 Frequency table and bar chart for describing nominal categorical data
Fig. 1.2 Frequency table and bar chart for describing ordinal data

1.2.3 Description of Continuous Data

Figure 1.3 is a list of white blood cell (WBC) counts of 31 patients diagnosed
with a certain illness listed by the patient identification number. Does this listing
itself tell us the group characteristics such as the average and the variability
among patients?
Fig. 1.3 List of WBC raw data of 31 subjects
How can we describe the distribution of these data, i.e., how much of the
occurring chance is distributed to WBC = 5200, how much to WBC = 3100, …,
etc.? Such a description may be very cumbersome. As depicted in Fig. 1.4, the
listed full data in ascending order can be a primitive way to describe the
distribution, but it does not still describe the distribution. An option is to
visualize the relative frequencies for grouped intervals of the observed data.
Such a presentation is called histogram. To create a histogram, one will first
need to create equally spaced WBC categories and count how many
observations fall into each category. Then the bar graph can be drawn where
each bar size indicates the relative frequency of that specific WBC interval. The
process of drawing bar graphs manually seems cumbersome. Next section
introduces a much less cumbersome manual technique to visualize continuous
outcomes.
Fig. 1.4 List of 31 individual WBC values in ascending order

1.2.4 Stem-and-Leaf Plot

The stem-and-leaf plot requires much less work than creating the conventional
histogram while providing the same information as what the histogram does.
This is a quick and easy option to sketch a continuous data distribution.
Let us use a small data set for illustration, and then revisit our WBC data
example for more discussion after this method becomes familiar to you. The
following nine data points 12, 32, 22, 28, 26, 45, 32, 21, and 85 are ages (ratio
scale) of a small group. Figures 1.5, 1.6, 1.7, 1.8 and 1.9 demonstrates how to
create the stem-and-leaf plot of these data.
Fig. 1.5 Step-by-step illustration of creating a stem-and-leaf plot

Fig. 1.6 Illustration of creating a stem-and-leaf plot

Fig. 1.7 Two stem-and-leaf plots describing two same data sets

Fig. 1.8 Common mistakes in stem-and-leaf plot

Fig. 1.9 Two stem-and-leaf plots describing the same data sets by ascending and descending
orders
The main idea of this technique is a quick sketch of the distribution of an
observed data set without computational burden. Let us just take each datum in
the order that it is recorded (i.e., the data are not preprocessed by other
techniques such as sorting by ascending/descending order) and plot one value
at a time (see Fig. 1.5). Note that the oldest observed age is 85 years, which is
much greater than the next oldest age 45 years, and the unobserved stem
interval values (i.e., 50s, 60s, and 70s) are placed. The determination of the
number of equally spaced major intervals (i.e., number of stems) can be
subjective and data range dependent.
Figure 1.10 depicts the distribution of our WBC data set by the stem-and-leaf
plot. Most values lie between 3000 and 4000 (i.e., mode); the contour of the
frequency distribution is skewed to the right, and the mean value did not
describe the central location well; the smallest and the largest observations
were 1800 and 11,200, respectively, and there are no observed values lying
between 1000 and 1100.
Fig. 1.10 Presentation of WBC data of 31 subjects by a stem-and-leaf plot

1.2.5 Box-and-Whisker Plot

Unlike the stem-and-leaf plot, this plot does not show the individual data values
explicitly. This can describe the data sets whose sample sizes are larger than
what can usually be illustrated manually by the stem-and-leaf plot. If the stem-
and-leaf plot is seen from a bird-eye point of view (Fig. 1.11), then the resulting
description can be made as depicted in the right-hand side panels of Figs. 1.12
and 1.13.
Fig. 1.11 Viewpoint of the stem-and-leaf plot from above

Fig. 1.12 Stem-and-leaf versus box-and-whisker plots

Fig. 1.13 Histogram versus box-and-whisker plot
The unique feature of this technique is to identify and visualize where the
middle half of the data exist (i.e., the interquartile range) by the box and the
interval where the rest of the data exist by the whiskers.
If there are two or more modes, the box-and-whisker plot cannot fully
characterize such a phenomenon, but the stem-and-leaf can (see Fig. 1.14).
Fig. 1.14 Stem-and-leaf and box-and-whisker plots of a skewed data set

1.3 Descriptive Statistics

In addition to the visual description such as stem-and-leaf plot, further
description of the distribution by means of a few statistical metrics is useful.
Such metrics are called descriptive statistics, which indicate where the most
frequently observed values are concentrated (i.e., representative location) and
how much the occurring chance distribution is scattered around that
concentrated location (i.e., dispersion).

1.3.1 Statistic
A statistic is a function of data, wherein a function usually appears as a
mathematical expression that takes the observed data and reduces (processes)
to a single summary metric, e.g., mean = sum over all data divided by the sample
size. Note that the word mathematical expression is interchangeable with
formula. As the term “formula” is usually referred to in a plug-and-play setting,
this book names it a mathematical expression, and the least amount of the
expression is introduced only when necessary.

1.3.2 Central Tendency Descriptive Statistics for

Quantitative Outcomes
In practice, there are two kinds of descriptive statistics used for quantitative
outcomes of which one kind is the metric indices for characterizing the central
tendency and the second is for dispersion. The mean (i.e., sum of all
observations divided by the sample size), the median (i.e., the midpoint value),
and the mode (i.e., the most frequent value) are the central tendency descriptive
statistics.

1.3.3 Dispersion Descriptive Statistics for Quantitative

Outcomes
The range (i.e., maximum value – minimum value) and interquartile range (i.e.,
75th–25th percentile) are very simple to generate by which the dispersion of a
data set is gauged. Other commonly used dispersion descriptive statistics are
variance, standard deviation, and coefficient of variation, and these statistics
describe the dispersion of data (particularly when the data are symmetrically
scattered around the mean), and the variance and standard deviation are
important statistics that play a pivotal role in the formal statistical inferences,
which will be discussed in Chap. 2.
1.3.4 Variance
The variance of a distribution, denoted by σ2, can be conceptualized as an
averaged squared deviation (explained in detail below) of the data values from
their mean. The more dispersed the data are, the more the variance. Standard
textbooks present definitional and computational mathematical expressions.
Until the modern computer was not widely used, finding a shortcut for manual
calculations and choosing the right tool for a quick and easy calculation had
been a major issue of statistical education and practice. Today’s data analysis
utilizes computer software, and manual calculation skill set is not highly
important. Nonetheless, understanding the genesis of definitional expression, at
least, is important. The following is the demonstration of the definitional
expression of the variance:

where for i = 1, 2, …, n (i.e., the sample size) are the individual data values
and is their mean. The notation on the numerator is to sum over all
individual terms, , for i = 1 to n (e.g., n = 31 for the WBC data). The
term for i is the squared deviation of an ith individual data value from
its mean and is depicted by d2 in the following visual demonstration.

After this summation is carried out, the resulting numerator is divided by the
divisor n − 1 (note that the divisor will be 30 for the WBC data example).
As depicted in Fig. 1.15, deviations (i.e., ) are presented by horizontal
solid, for ( ) > 0, or dashed, for ( ) < 0, line segments. The length
of each line segment represents how far each datum is displaced above or below
the mean. How do we cumulate and preserve the deviations of the entire group?
If straight summation is considered, the positive and negative individual
deviations may cancel out each other, and the resulting sum may not retain the
information. Thus, straight summation is not a great idea. The individual
deviations are squared first and then summed up so that the resulting sum can
retain the information (i.e., positive and negative deviations) although the
retained quantity is not in the original scale. Then, the sum of squared
deviations is divided by n − 1. If it had been divided by n, it could have been the
average squared deviation. Instead, the used divisor is n − 1. Normally, an
average is obtained by dividing the sum of all values by the sample size n.
However, when computing the variance using sample data, we divide it by n − 1,
not by n. The idea behind is the following. If the numerator (i.e., sum of squared
deviations from the mean) is divided by the sample size, n, then such a
calculation will slightly downsize the true standard deviation. The reason is that
when the deviation of each individual data point from the mean was obtained,
the mean is usually not externally given to us but is generated within the given
data set (i.e., referencing to an internally obtained mean value), and the
observed deviations could become slightly smaller than what it should be. So, to
make an appropriate adjustment for the final averaging step, we divide it by
n − 1. You may be curious why it needs to be 1 less than the sample size, not 2
less, or some other values. Unlike other choices (e.g., n − 2, n − 3, ..., etc.), n − 1
can handle any sample size that is 2 or greater (note that the smallest sample
size that will have a variance is 2). There is formal proof that the divisor of n − 1
is the best for any sample size but it is not necessary to cover it in full detail
within this introductory level context.

Fig. 1.15 Definitional formula of variance

 The calculated variance of the WBC data set is [(5200–4900)2 + (3100–
4900)2 + … + (6500–4900)2]/(31–1) = 4,778,596. Note that variance’s unit is
not the same as the raw data unit (because of squaring the summed deviations).

1.3.5 Standard Deviation

The standard deviation of a distribution, denoted by σ, is the square root of
variance (i.e., ), and the scale of the standard deviation is the same
as that of the raw data. The more the data are dispersed, the greater the
standard deviation is. If the dispersed data form a particular shape (e.g., bell
curve), then one standard deviation unit symmetrically around the mean (i.e.,
above and below the mean) will cover about middle two thirds of the data range
(see standard normal distribution in Sect. 1.4.3).

1.3.6 Property of Standard Deviation After Data

Transformations
The observed data often require transformations for the purpose of analysis.
One example is to shift the whole data set to a new reference point by simply
adding a positive constant to or subtracting it from the raw data values. Such a
simple transformation does not alter the distances between the individual data
values, thus the standard deviation remains unchanged (Fig. 1.16).

Fig. 1.16 Shifted data without changing dispersion

 Another example is to change the scale of the data with or without changing
the reference point. In general, if data vector x = (x1, x2, …, xn) whose mean = μ
and standard deviation = σx is transformed to y = a·x + b, where a is the scaling
constant and b is the reference point, then the mean of y remains the same as
y = a·(mean of x) + b = a·μx + b and the standard deviation y is σy = a·σx. Note that
adding a constant does not alter the original standard deviation, and only the
scaling factor does.
The following example (see Fig. 1.17) is to demonstrate how the means and
standard deviations are changed after transformation. The first column lists a
set of body temperature of eight individuals recorded in °C, the second column
lists their deviations from the normal body temperature 36.5 °C (i.e., d = C –
36.5), and the third column lists their values in °F (i.e., F = 1.8C + 32). The mean
of the deviations from the normal temperature is 0.33 (i.e., 0.33 degrees higher
than the normal temperature on average), which can be reproduced by the
simple calculation of the difference between the two mean values 36.83 and
36.5 without having to recalculate the transformed individual data. The
standard deviation remains the same because this transformation is a just
shifting of the distribution to the reference point 32. The mean of the
transformed values to °F scale is 98.29, which can be obtained by the simple
calculation of 1.8 times the mean of 36.83; then add 32 without having to
recalculate using the transformed individual observations. This transformation
involves not only the distribution shifting but also the rescaling where the
rescaling was to multiply the original observations by 1.8 prior to shifting the
entire distribution to the reference point of 32. The standard deviation of the
data transformed to °F scale is 1.12, which can be directly obtained by
multiplying 1.8 to the standard deviation of the raw data in °C scale, i.e.,
1.12 = 0.62 × 1.8.
Fig. 1.17 Scale invariant and scale variant transformations

1.3.7 Other Descriptive Statistics for Dispersion

Figure 1.18 illustrates the asymmetrical distribution of the WBC that was
illustrated in Figs. 1.11, 1.12 and 1.13. The mean, median, and mode are not very
close to each other. What would be the best description of the dispersion? The
calculated standard deviation is 2186, which can be interpreted that a little less
than one-thirds of the data are between 2724 and 7096 (i.e., within
mean ± 1 standard deviation) if the contour of the distribution had appeared to
a bell-like shape. Because the distribution was not symmetrical, the
interquartile range may describe the dispersion better than the standard
deviation. The 25th and 75th percentiles (i.e., first and third quartiles) are 3400
and 6100, respectively, and this tells literally that half of the group is within this
range, and the width of the range is 2700 (i.e., interquartile range = 6100–
3400 = 2700).
Fig. 1.18 An asymmetrical distribution depicted by stem-and-leaf plot

1.3.8 Dispersions Among Multiple Data Sets

Figure 1.19 presents two data sets of the same measurement variable in two
separate groups of individuals. The two group-specific means are the same, but
the dispersion of the first group is twice as the second group’s. The difference in
the dispersions is not only visible but is also observed in the standard deviations
of 10 and 5.

Fig. 1.19 Two data sets with unequal dispersions and equal means
 The comparison of the dispersions may become less straightforward in
certain situations. What if the two distributions are from either the same
characteristics (e.g., body temperatures) from two distinct groups or different
characteristics measured in the same unit but of the same individuals (e.g., fat
mass and lean mass in the body measured in grams, or systolic blood pressure
(SBP) and diastolic blood pressure (DBP) measured in mmHg). In Fig. 1.20, can
we say the systolic blood pressure (SBP) values are more dispersed than DBP
solely by reading the two standard deviations? Although the standard deviation
of SBP distribution is greater than that of DBP, the mean SBP is also greater, and
the interpretation of the standard deviations needs to take into account the
magnitudes of the two means. Coefficient of variation (CV) is a descriptive
statistic that is applicable for such a circumstance by converting the standard
deviation to a universally comparable descriptive statistic.

Fig. 1.20 Two data sets with unequal dispersions and unequal means

CV is defined as a standard deviation to mean ratio expressed in percent

scale (i.e., CV = 100 × standard deviation/mean). This statistic is useful for
comparing the dispersions of two or more distributions of the same variable in
two or more different data sets of the means are not identical, or those of two or
more different variables measured in the same unit in the same data set. Table
1.2 demonstrates the situation of comparing the dispersions of two different
characteristics measured from the same individuals in the same unit. The
standard deviation of the fat mass in grams is smaller than that of the lean mass
in grams of the same 150 individuals, but the CV of the fat mass is greater
describing that the fat mass distribution is more dispersed (CV 43.0% compared
to 14.4%).
Table 1.2 Application of CV to compare the dispersions of two different characteristics,
measured in the same unit, of the same individuals

N Mean Standard deviation CV

Body fat mass (g) 160 19783.28 8095.68 40.9%
Body lean mass (g) 160 57798.63 8163.56 14.1%
Table 1.3 compares the dispersions of the same characteristic measured
from the same individuals. The standard deviations appeared greater within
group 1, but the CV was greater within group 2 describing that the dispersion of
fat mass was greater within group 2.

Table 1.3 Application of CV to compare the dispersions of the same characteristics, measured
in the same unit, of two distinct groups

N Mean Standard deviation CV

Body fat mass (g) Group 1 80 21118.04 8025.78 38.0%
Group 2 80 18448.53 7993.01 43.3%

1.3.9 Caution to CV Interpretation

CV is a useful descriptive statistic to compare dispersions of two or more data
sets when the means are different across the data sets. However, the CV should
be applied carefully. When the dispersions of two distributions are compared,
we need to ensure that the comparison is appropriate. A comparison of the
dispersions of the same or compatible kinds is appropriate (e.g., CVs of body
weights obtained from two separate groups or CVs of SBP and DBP obtained
from the same group of persons). However, a comparison of two dispersions of
which one is a result of a certain transformation of the original data is that not
appropriate. For example, in the case of the body temperature example in 1.3.6,
the CV of the original °C is 100 × (0.62/36.82) = 1.68% and the CV of the
transformed data via °C – 36.5 is 100 × (0.62/0.33) = 187.88%. Did the
dispersion increase this large after the whole distribution simple shift? No, the
dispersion did not differ, and the standard deviations remained the same.
However, the CV of scale data distribution is different from the original °C scale.

1.4 Statistics for Describing Relationships Between Two

Outcomes
1.4.1 Linear Correlation Between Two Continuous
Outcomes
Previous sections discussed how to summarize the data observed from a single
variable (univariate). This section discusses how to describe a relationship
between a set of pairs of continuous outcomes (e.g., a collection of heights
measured from biological mother and her daughter pairs). The easiest way to
describe such a pattern is to create a scatter plot of the paired data (Fig. 1.21).
Correlation coefficient, ρ, is a descriptive statistic that summarizes the direction
and strength of a linear association. The correlation coefficient exists between
−1 and 1 (geometry of the correlation coefficient is demonstrated by Fig. 1.22).
Negative ρ values indicate a reverse linear association between the paired
variables, and positive ρ values indicate the same directional linear association.
For example, ρ between x and y, ρxy = − 0.9, indicates a strong negative linear
association between x and y, and ρxy = 0.2 indicates a weak positive linear
association. Note that the correlation coefficient measures only the linear
association. Figure 1.23 illustrates a situation that the correlation coefficient is
0, but there is a clear relationship between the paired variables. The definitional
expression is:

Fig. 1.21 Linear relationships between two continuous outcomes

Fig. 1.22 Geometry of correlation coefficient

Fig. 1.23 Nonlinear relationship between two continuous outcomes

using the sample pairs of (xi, yi), for i = 1, 2, …, n. The denominator (n − 1)sxsy
can be rewritten as , and finally:

where and are the means of x and y, respectively. This calculation can be
cumbersome if done manually, but computer software is widely available, and
Excel can also be used (see Chap. 7 for details).

1.4.2 Contingency Table to Describe an Association

Between Two Categorical Outcomes
Qualitative categorical outcomes cannot be summarized by the mean and
standard deviation of the observed categories even if the categories were
numerically coded (i.e., mean value of such a codified data is meaningless). It is
also true that an association of a pair of the numerically categorized outcomes
cannot be assessed by the correlation coefficient because the calculation of the
correlation coefficient involves the mean value and deviations from the means
(see Fig. 1.22). A scatter plot is not applicable for a visual description between a
pair of categorical outcomes. To describe the pattern of a set of pairs obtained
from two categorical outcomes, the contingency table is used (Fig. 1.24, where
each cell number is the observed frequency of the study subjects). The number
appeared in each cell (i.e., cell frequency) provides you the information about
the association between two categorical variables. Figure 1.24 illustrates the
perfect association, moderate association, and complete absence of the
association between a disease status and a deleterious risk factor. Figure 1.25
illustrates what data pattern is to be recognized for a summary interpretation.
There are 20% (i.e., 10 out of 50) of mothers who are ≤20 years old and
delivered low-weight babies, whereas only 10% (i.e., 15 out of 150) of the
>20 years old mothers did so. It is also noted that the 20% is greater (and the
10% is smaller) than the marginal proportion of the ≤2500 grams (i.e., 12.5%).
This observed pattern is interpreted as a twofold difference in proportion of
≥2500 grams between the two mother groups.
Fig. 1.24 Patterns of association between two binary outcomes

Fig. 1.25 Data summary by a contingency table

1.4.3 Odds Ratio

Odds ratio (OR) is a descriptive statistic that measures the direction and
strength of an association between two binary outcomes. It is defined as a ratio
of two odds. The odds is the ratio of a probability of observing an event of
interest, π, to the probability of not observing that event, 1 − π, i.e.,
odds = π/(1 − π). In practical applications, the odds can be calculated simply by
taking the ratio between the number of events of interest and the number of
events not of interest (e.g., number of successes divided by the number of
failures). Thus, the odds ratio associated with a presented risk factor versus the
absence of the risk factor for the outcome of interest is defined as:
 The odds ratio ranges from 0 to infinity, and a value 0 < OR < 1 is a protective
effect (in a setting of association between a risk factor and a disease outcome) of
the factor (i.e., the outcome is less likely to happen within the risk group), OR = 1
being neutral, and OR > 1 is a deleterious effect of the risk factor (i.e., the
outcome is more likely to happen within the risk group). According to the
definition, the odds ratio associated with the mother’s age ≤ 20 years versus
>20 years for the offspring’s birth weight ≤ 2500 grams is [0.2/(1–
0.2)]/[0.1/(1–0.1)] = 2.25. The same result is obtained simply by the cross-
product ratio, i.e., [(10/40)]/[(15/135)] = (10 × 135) / (40 × 15) = 2.25. The
interpretation of this is that the odds to deliver the offspring with ≤2500 grams
of birth weight among the mothers aged ≤20 years is 2.25 times of that of the
mothers >20 years. It is a common mistake to make the following erroneous
interpretation that the risk of having low-birth weight delivery is 2.25 times
greater. Here, the odds ratio was interpreted as if it were a risk ratio. Note that a
risk is the probability of observing an event of interest, whereas an odds is the
ratio between the two probabilities whose numerator is the probability of
observing an event of interest and the denominator is the probability of not
observing it.

1.5 Two Essential Probability Distribution

The remaining part of this chapter concentrates on two probability models that
are essential and instrumental to the statistical inference, which are the
Gaussian model and binomial model. Let us go over some definitions first. A
distribution is a complete description of a set of data, which species the domain
of data occurrences and the corresponding relative frequency over the domain
of occurrence. Note that the object being distributed is the relative frequency. A
probability model (e.g., Gaussian model, binomial model, etc.) is the underlying
mathematical rule (i.e., mechanism) about event occurrence (i.e., observed
data).
The probability model is describable by means of a random variable and its
distribution function. A random variable is a variable that maps an event onto
its probability of occurrence. Uppercase letters are used to denote random
variables. Let us make a brief review about the random variable through a small
experiment. The experiment is to toss a biased coin twice in a row, wherein at
each toss, the chance for “heads” falling is 0.7. Let X denote the number of heads
(note that an uppercase letter is used to denote a random variable). Then X can
be 0, 1, or 2. By denoting P(X = x), the probability of observing x heads:
P(X = 0) = 0.3 × 0.3 = 0.09 (i.e., TT), P(X = 1) = 0.3 × 0.7 + 0.7 × 0.3 (i.e., HT or
TH) = 0.42, and P(X = 2) = 0.7 × 0.7 = 0.49 (i.e., HH). Note that the variable X
connects each event (i.e., total number of heads = 0, 1, 2) and its corresponding
probability (0.09, 0.42, 0.49). This variable is called a random variable. For a
discrete random variable x (i.e., the variable whose values can only be integers
numbers such as this example) with its corresponding probability of occurrence,
the set of ordered pairs (xi, f(xi)) for all i s is called a probability mass function
(Fig. 1.26).

Fig. 1.26 Probability mass function of a discrete random variable

A cumulative distribution function (in short, a distribution function) of a
random variable, denoted by F(x), is a function that gives, for each of a value of
the random variable (lowercase letters are used to denote the specific values of
the random variable), the probability that a newly observed value of the random
variable falls at or below that value. In the case of the above biased coin flipping
example, F(x ≤ 0) = 0.09, F(x ≤ 1) = 0.09 + 0.42 = 0.51, and
F(x ≤ 2) = 0.09 + 0.42 + 0.49 = 1 (Fig. 1.27).

Fig. 1.27 Cumulative distribution function of a discrete random variable

For a continuous random variable X, a probability density function of X (in

short, density function), f(x), is a positive function whose total area under the
graph of the function is 1, and the area between two numbers (e.g., a ≤ x < b) is
the probability, denoted by Pr(a ≤ X < b), that the values of the random variable
are observable in this interval. In the case of the above discrete random variable,
the density function will appear as a three-point function (probability mass
function, Fig. 1.26) because there are only three possible values of the random
variable, i.e., x = 1, 2, or 3.
The mean and variance of a random variable are and
. A covariance between two random variables, X,
Y~fxy(x, y), is σxy = , where fxy(x, y) is the
density function of the joint distribution of X and Y.
The variance of a sum of two correlated (with its correlation coefficient of
ρ) random variables, X and Y, can be decomposed as variance of X + variance of
Y + 2 · covariance (X, Y), and its algebraic expression is
.

1.5.1 Gaussian Distribution

The Gaussian distribution describes the continuous data generation mechanism,
and it has important mathematical properties on which the applications of event
probability computations and inference (see Chap. 2) rely. The name Gaussian
refers to the mathematician Carl Friedrich Gauss who developed its
mathematical model, which is also called normal distribution because the model
describes the probability distributions of typical normal behaviors of
continuous outcomes (bell curve) well. This distribution has characteristics that
the mean, median, and mode are identical, and the data are largely aggregated
around the central location and gradually spread symmetrically. A Gaussian
distribution is completely characterized by the mean and standard deviation,
and its notation is N(μ, σ2) where μ and σ denote the values of mean and
standard deviation (σ2 denotes the variance), respectively.

1.5.2 Probability Density Function of Gaussian

Distribution
Probability density is the concentrated quantity of a particular value of the
possible data range of a continuous outcome, and this quantity is proportional
to the probability of occurrence within a neighborhood of that value. The
mathematical expression is:

The height of the symmetric bell curve is the size of density (not the actual
probability) concentrated over the values of the continuous outcome random
variable x. The value of the random variable x where the density peaks (central
location) and the dispersion (i.e., how the loaded density gets spread out) are
completely determined by the mean and standard deviation of the distribution,
respectively. The area under the density curve which is calculated by integrating
the curve from one standard deviation below the mean to one standard
deviation above the mean, i.e., , is approximately 68.3%,
meaning that a little bit over middle two thirds of the group is aggregated
symmetrically within one standard deviation around the mean of any Gaussian
distribution. The area under the entire density curve is 1, i.e.,
. Figure 1.28 describes the probability that a Gaussian
random variable x~N(μ, σ2) will be observed between its mean and k times the
standard deviation above the mean, i.e., μ ≤ x ≤ μ + kσ, which is evaluated as the
area under the density curve with this interval, i.e., .

Fig. 1.28 Area under a Gaussian density curve within a closed interval

1.5.3 Application of Gaussian Distribution

The Gaussian (normal) distribution model is a very useful tool to approximately
calculate the probability of observing a certain numerical range of events. The
example shown in Fig. 1.29 is to find out the proportion of a large group of
pediatric subjects whose serum cholesterol level is above 250 mg/mL if the
group’s cholesterol distribution follows a normal distribution with a mean of
175 and a standard deviation of 30. Because the standard deviation is 30, the
value of 250 is 2.5 times the standard deviation above the mean (i.e.,
250 = 175 + 2.5 × 30). The area under the curve that covers the cholesterol
range > 250 is 0.625%, which indicates the subjects with cholesterol level >250
are within top the 0.625% portion. The calculation requires the integration of
the Gaussian density function equation. However, we can obtain the result using
Excel or standard probability tables of Gaussian distribution. The next section
discusses how to calculate the probability using the tables by transforming any
Gaussian distribution to the standard normal distribution.

Fig. 1.29 Evaluation of an upper tail probability (a Gaussian density curve example)

1.5.4 Standard Normal Distribution

The standard normal distribution is the Gaussian distribution whose mean is 0
and standard deviation is 1, i.e., N (0, 1). A random variable x following a
Gaussian distribution can be standardized by the following transformation. In
the following equation, x is the random variable that represents a value of the
original Gaussian distribution, its mean μ, and standard deviation σ, and z
represents the new random variable resulting from the following
transformation:

This transformation shifts the entire data set uniformly by subtracting μ

from all individual values and rescales the already shifted data values by
dividing them by the standard deviation; thus, the transformed data will have
mean 0 and standard deviation 1.
The standard normal distribution has several useful characteristics on which
the statistical inference rely (this will be discussed in Chap. 2). First, as shown
above, the density is symmetrically distributed over the data range resembling a
bell-like shape. Moreover, one standard deviation below and above the mean,
i.e., the interval from −1 to 1 on z, covers approximately 68.3% of the
distribution symmetrically. The interval of z from −2 to 2 (i.e., within two
standard deviation units symmetrically around the mean) covers approximately
95.5% of the distribution. The normal range, −1.96 to 1.96 on z which covers
95% of distribution around the mean, is frequently sought (Fig. 1.30).
Fig. 1.30 Proportion of standard normal distribution covered by 1 (and 1.96) unit of standard
deviation above and below the mean
Figures 1.31 and 1.32 illustrate the utilization of Table 10.​1 to compute the
probability evaluated within a certain interval without using a computer
program. For example, let’s calculate the probability that an observed value (x)
will be 250 or greater if its occurrence mechanism follows a Gaussian
probability model with a mean (μ) of 175 and a standard deviation (σ) of 30.
The probability is evaluated by a z transformation, i.e.,
.

Fig. 1.31 List of selected normal random variates and cumulative probabilities up to those
values
Fig. 1.32 Standardization of an observed value x = 250 from N (μ = 175, σ2 = 302) to z = 2.5 of
standardized normal distribution, i.e., N (0, 1)

1.5.5 Binomial Distribution

The probability values that are distributed to the finite counts of dichotomous
event outcomes (e.g., success or failure) are typically modeled by binomial
distribution. For demonstration purpose, let us consider the following situation.
Suppose that it is known that a new investigative therapy can reduce the volume
of a certain type of tumor significantly, and the average success rate is 60%.
What will be the probability of observing four or more successful outcomes (i.e.,
significant tumor volume reduction) from a small experiment treating five
animals with such a tumor if the 60% average success rate is true? First,
calculate the probabilities of all possible outcomes under this assumption, i.e.,
no success, 1 success, 2, 3, 4, or all 5 successes given the true average success
rate is 60%. Note that a particular subject’s single result should not alter the
next subject’s result, i.e., the resulting outcomes are independent on
experimental animals. In this circumstance, a probability distributed to the
single dichotomous success event outcome (shrunken tumor as the success or
no response as the failure) of each animal is characterized by Bernoulli
distribution with its parameter π, which is the probability of success in a single
animal treatment (i.e., the two probabilities are π, the success rate, and 1 − π, the
failure rate). The single trial, in this case, each trial is a treatment given to each
animal, is called Bernoulli trial. The resulting probability distribution of the total
number of successes out of those five independent treatment series (i.e., five
independent Bernoulli trials) is then described by binomial distribution, which
is characterized by two parameters in which the first parameter is the total
number of Bernoulli trials, n, and the second parameter is the Bernoulli
distribution’s parameter of the success rate, π. In this example, the total number
of independent trials, n, is 5 and the parameter of the success rate, π, on each
single trial Bernoulli distribution is 0.6. Table 1.4 lists all possible results and
their probabilities (0 = failure with its single occurring chance of 0.4, 1 = success
with its single occurring chance of 0.6). As shown in the last column of the table,
these calculated probabilities are 0.0102 for 0 successes (i.e., all failures and the
probability of such an event is 0.4 × 0.4 × 0.4 × 0.4 × 0.4 = 0.0102), 0.0768 for 1
success, 0.2304 for 2 successes, 0.3456 for 3 successes, 0.2592 for 4 successes,
and 0.0778 for all 5 successes. The general notation of a binomial distribution
is X~Bi(n, π). In this example, by letting X denote the number of successes, the
notation is X~ Bi (5, 0.6). Let us also note that the Bernoulli distribution is a
special case of binomial distribution, and its general notation is Bi(1, π). Figure
1.33 displays Bi (5, 0.6). Thus, the probability of observing four or more
successes out of the treatments given to five independent animals is
0.2592 + 0.0778 = 0.3370. The probability value of X = x of Bi(n, π) is probability
of (X = x successes out of n independent Bernoulli trials) = Kπx(1 − π)n − x, where
K= is an integer value multiplier that is the count of all possible
assortments of the number of success events x (x = 0, 1, …, n). Readers who are
familiar with combinatorics can easily figure out = n ! /[x ! (n − x)!]. In Table
1.4, (n = 5), K = 1 for x = 0, K = 5 for x = 1, K = 10 for x = 2, …, and K = 1 for x = 5. It
is straightforward that the expression of Bi (1, π) is the probability of (X = x out
of 1 Bernoulli trials) = πx(1 − π)x, where x = either 1 (for success) or 0 (failure).

Table 1.4 Binomial distribution of with n = 5 and π = 0.6

Number of Number of Events of Bernoulli Probability

successes assortments trials
X = x out of
n=5
independent
trials, K: 1st 2nd 3rd 4th 5th

1 assortment 0 0 0 0 0 0.4 × 0.4 × 0.4 × 0.4 × 0.4 = 0.60 × 0.45

(subtotal = 0.0102)
5 1 0 0 0 0 0.6 × 0.4 × 0.4 × 0.4 × 0.4 = 0.6 × 0.44
assortments
0 1 0 0 0 0.4 × 0.6 × 0.4 × 0.4 × 0.4 = 0.6 × 0.44
0 0 1 0 0 0.4 × 0.4 × 0.6 × 0.4 × 0.4 = 0.6 × 0.44
0 0 0 1 0 0.4 × 0.4 × 0.4 × 0.6 × 0.4 = 0.6 × 0.44
0 0 0 0 1 0.4 × 0.4 × 0.4 × 0.4 × 0.6 = 0.6 × 0.44
(subtotal = 0.0768)
Number of Number of Events of Bernoulli Probability
successes assortments trials
X = x out of
n=5
independent
trials, K: 1st 2nd 3rd 4th 5th

10 1 1 0 0 0 0.6 × 0.6 × 0.4 × 0.4 × 0.4 = 0.62 × 0.43

assortments
1 0 1 0 0 0.6 × 0.4 × 0.6 × 0.4 × 0.4 = 0.62 × 0.43
1 0 0 1 0 0.6 × 0.4 × 0.4 × 0.6 × 0.4 = 0.62 × 0.43
1 0 0 0 1 0.6 × 0.4 × 0.4 × 0.4 × 0.6 = 0.62 × 0.43
0 1 1 0 0 0.4 × 0.6 × 0.6 × 0.4 × 0.4 = 0.62 × 0.43
0 1 0 1 0 0.4 × 0.6 × 0.4 × 0.6 × 0.4 = 0.62 × 0.43
0 1 0 0 1 0.4 × 0.6 × 0.4 × 0.4 × 0.6 = 0.62 × 0.43
0 0 1 1 0 0.4 × 0.4 × 0.6 × 0.6 × 0.4 = 0.62 × 0.43
0 0 1 0 1 0.4 × 0.4 × 0.6 × 0.4 × 0.6 = 0.62 × 0.43
0 0 0 1 1 0.4 × 0.4 × 0.4 × 0.6 × 0.6 = 0.62 × 0.43
(subtotal = 0.2304)
10 0 0 1 1 1 0.4 × 0.4 × 0.6 × 0.6 × 0.6 = 0.63 × 0.42
assortments
0 1 0 1 1 0.4 × 0.6 × 0.4 × 0.6 × 0.6 = 0.63 × 0.42
0 1 1 0 1 0.4 × 0.6 × 0.6 × 0.4 × 0.6 = 0.63 × 0.42
0 1 1 1 0 0.4 × 0.6 × 0.6 × 0.6 × 0.4 = 0.63 × 0.42
1 0 0 1 1 0.6 × 0.4 × 0.4 × 0.6 × 0.6 = 0.63 × 0.42
1 0 1 0 1 0.6 × 0.4 × 0.6 × 0.4 × 0.6 = 0.63 × 0.42
1 0 1 1 0 0.6 × 0.4 × 0.6 × 0.6 × 0.4 = 0.63 × 0.42
1 1 0 0 1 0.6 × 0.6 × 0.4 × 0.4 × 0.6 = 0.63 × 0.42
1 1 0 1 0 0.6 × 0.6 × 0.4 × 0.6 × 0.4 = 0.63 × 0.42
1 1 1 0 0 0.6 × 0.6 × 0.6 × 0.4 × 0.4 = 0.63 × 0.42
(subtotal = 0.3456)
 Another Random Document on
Scribd Without Any Related Topics
—Daar niet allainig, snibbigde de Juffrouw.

Maandag, alsof hij haar niet begreep:

—Um et geld alles opgeofferd! Nau kump sau’n mensch in

Scheveninge, d’ar in die drukte van niksdoenerai, same de see in en
’s avens meziek…. Sie, dàn gebeurt ’er gemeinigheid—dan vin’ ìk et
nog ma’r beter, da’ se d’er kurresjeus van deur gaan.…

—Foei Maandag, hoe kai je ’t segge. [71]

Juffrouw zei dat nog vriendelijk. Meneer Maandag mocht een potje
breken. Maar Geertje zag toch, zoo donker als ’t was, duidelijk op
het bleek groezelgezicht hoe hij haar ergerde.

—Och mensch, je begraip me verkeird! Ik fin et niet goed wat die

mense gedaan hebbe. Al wat ik seg is: de schuld lig niet bai dien
enkelen man en frauw, m’ar de heile inrichtink van de maatschappai
is slech. De liefde sie je, da’s Moeder Netuur, da’s et alderma’iste
watter is in ’t lefe, da keu je niet ruggelementeere bai de wet.

—Vrije liefde! lachte meneer Heins.

—Seker! en met zware langzaamheid wendde de bultenaar zich

links. Fraie liefde. Maar niet as ’en grapje. As et haugste
netuurgebod.… O, we ben d’er niet an toe! Da’ weet ik net sau goed
as jai. M’ar ik weit auk, dat et samenlefe fan man en frau sonder
liefde-n-en schande is—en die wordt no’ bai de wet bestendigd.

—Mot jai niet is bauve kaike? zei de Juffrouw tegen Geertje.

O gunst, ze had het vergeten! IJlings weg!.… ’t Was rustig boven.…

Even viel ze er neer op ’en stoel. Vreemde dingen zei meneer
Maandag. En dat hij daar hier van sprak. Dat hij dòrst.… O, ze wou
het verder hooren. Gauw naar benee.… Maar teleurstelling. Juffrouw
bezig ’t gas aan te steken. Ook de heeren opgestaan.

—Kum, ’t is me taid, zei meneer Maandag.

—Vent, drink nog ’en glaasje bier.

Nee’, ’et was te laat geworden. Even een praatje nog. Toen ging
Maandag.

—Hè, die bult mit s’en onwaise praatjes, nijdigde de Juffrouw, terwijl
Meneer meneer Maandag uitliet.

En toen Meneer terug was:

—Seg as Maandag weir fan die gemeine praat verkaup’, gaan ik de

kamer uyt.

—Ja maar we zatte nou op et plat!

Khm, Geertje kuchte een lach weg.

—No’ m’ar je weit et nau. [72]

—God mensch, d’ar kan ik toch niks an doen. Wa’ kan mijn de liefde
van Maandag schele. Laat de stakker denke wat ie wil. Maar dat zei
je mit m’en eens zijn—as je-n-’en leve heb as hij, mit ’en zuster waar
je de kost voor verdien, die je koejeneert, en die mit god weet
hoeveel manne he’t gehokt, dan is t’er toch ’en dosis moed noodig
om zóó over de liefde te prate.…

—Ja, schai no’ m’ar uit. Begin jai no’ auk niet nug us.…

Geertje was aan haar briefkaart begonnen. Eerst het adres—dan kon
dat drogen. Wat zou ze schrijven? Ze wist het niet. Bijna had ze lust,
te zetten, dat Truusje nog niets beter was.… Nee, niet liegen; alleen,
dat ze nog geen tijd had om langer te schrijven. Ja, en dat ze het
wèl maakte. En.…? nee, niks van de brief van Willem.…

—Geertje, ’en glas?

Toen ze opkeek, om te antwoorden, zag ze de Juffrouw

neeschudden tegen Meneer.…

—Nee, dank u.

Graag had ze toch ’en glas pils gehad. Maar de Juffrouw nam zelf
ook niet. Hoe kreeg ze nu d’er briefkaart weg? Straks Sefie, wanneer
die thuis kwam? Kan je begrijpen! Zelf! Flink vragen!

.… Ja, de Juffrouw vond het goed.

—Kaik dan nuch is an Truus d’er bedje!

Net of zij dat niet zou doen! Zij had het kind toch opgepast!

’t Vliegboodschapje, de nauwe straatjes door, naar de Post; nog wat

redderinkjes thuis; dan, gelukkig vrij vroeg, want ze was moe—naar
bed. Maar toen ze lag, kon ze niet slapen. ’t Was of al het
beddegoed tegen d’er lijf aan pikkelde. O, die benauwde lucht in de
kamer.… Akelig toch, die ruzies hier in huis. Wat had het anders
prettig kunnen zijn, van avond weer, daar op het plat. Maar telkens
die heftige woorden tusschen Meneer en de Juffrouw. En daarbij nu
dat akelige verhaal van [73]meneer Maandag. Goeie man—maar als
Groo’va hem gehoord had!.… O, maar zij, ze hoorde zóó iemand
heel wat liever als die vervelende zeur van ’en Willem. Als Groo’va
dáárom d’er adres had gegeven! Ze zou niet antwoorden. Dank je
lekker, Amerika, wie-wist wat dat an port kostte, ’en brief daar
heen.… Lam, dat Meneer ’em net gezien had! Hè, hàd ze dat toch
niet gezeid van die „kennis”. Mooie kennis! Meneer vroeg telkens
met wie ze kermishou’en zou—als Meneer deze „kennis” kende!.…
Meneer altijd met z’en plagerijen. Nou weer met dat losse boordje.
Maar aardig toch ook, zooals hij het op prijs stelde, wat ze voor
Truusje had gedaan. „Lief moedertje”. En de Juffrouw die d’er
strakjes vroeg, of ze wel, voordat ze uitging, nog is naar Truusje
kijken zou.…

Woelende, vond ze toch eind’lijk de slaap. Maar de onrust duurde

voort. Ze ontwaakte na een afschuùwlijke droom: Groo’va, die, vóór
de klas, ruzie had met meneer Maandag, en Juffrouw Heins, die
haar, Geertje, niet los wou laten, om meneer Maandag te zeggen dat
ie Groo’va niet beleedigen mocht.… Daarna sliep ze rustiger. [74]

[Inhoud]
 III.

—Dàg!.…

.… Gut Meneer Maandag! Nee’ maar, da’s ook! Erreg vriendelijk van
d’er, wat! Heusch héélemaal niet gezien.…

—Kinders en klaine mense as main kaik jullie aufer ’t haufd.…

—Hè wat flauw! Nee, maar ’t is altoos zoo druk, hier bij de brug. En
nou met de kermis en die krame daar ginder.… Past u òp!!.… Hè! die
tram hier.…

—W’ar gaa’j hein?

—Naar Oom en Tante. Kermis houe!.… Toe, gaat u mee!

—Ik mee? Maid bai’j dol!

—Hè toe nau! Poffertjes ete op et Hofplein. Ik trakteer!.… U mag

d’er wat bij drinken ook!

—Seg us, hai jai d’en honderdduysunt getrokke!

—’k Heb vijf en twintig gulde gekrege van Meneer.

—Faif.…?.…

—Ja ziet u, d’er was eerst geen loon bepaald, maar Meneer wil me
honderd gulden in ’t jaar geve, en nou voor deze tijd, ’t is wel geen
drie maande, geeft-ie me toch vijf en twintig gulde, meteen voor me
kermis en omdat ’k Truus heb opgepast.
—No’ ma’r, je heb se ferdiend, maid!

—’k Had er heelemaal niet op gerekend! Daarom heb ik d’er un

riksdaalder afgenome, die mag van avond op.… Toe, ga nou mee!.…

—’k Laup ’en aindje mit je mee.… [75]

Zoo?! daar ging Mien, gearmd met Arie!

Wat! wou Mien d’er niet kenne! Ze hàdde mekaar toch angekeke.…
Nou! ook al goed.…

Maandag niks van late merke. Leuk, as Maandag mee wou gaan.

—Weet Aum en Tante da’j komp?

—Zeker! Ze zulle blij zijn dat u meekomt!

—Nai ma’r Geer, da’ gaat niet!

Kom!.… Geer hoorde in z’en stem, dat ie d’er wel lust in had. Nou,
en nòu had ie toch niks meer te doen!

Niks meer zegge.… hij liep zoet mee.…

Lieve hemeltje, wat ’en mensche.… Naar voor zoo’n man, tèlkens
van die lui, die um ankeke met van die ooge van: wat hei jij ’en bult!
O! wat had ze n’en medelij met um! Vooral nou ze wist, dat-ie thuis
zoo’n ongelukkig leve had. Oom had toch wel gelijk gehad: hij was
’en heel bijzonder mensch. Zooas ie bevoorbeeld over ’et huwelijk en
de liefde kon prate! Geer voelde, ’t was gek! maar as meneer
Maandag over iets ernstigs, zoo ie’s van ’t leve sprak, dan voelde ze
altijd net etzelfde prettige tevrejene, wat ze vroeger had as dominee
Wevers heel bijzònder mooi had gepreekt. En dat nou van zoo’n
onkerksche man! Ja, Groo’va moest et es wete!.… Maar wat ie
bevoorbeeld Woensdagavond nog tege d’er gezeid had, terwijl
Meneer Heins de winkel was weze sluite en zij beiden, alleen, ’t wéér
hadde over de ruzies, altoos in huis, tusschen Meneer en de
Juffrouw:—Zie je, Geer—had ie gezeid: zij vònd dat iets om nooit te
vergete—je mot et no’ nie’ sau freeseluk finde hier fan Hains en de
Jeffrauw’; jai doet, of ’en huweluk as dit iets ungewauns sau wese.
Ik keir et um. As twee mense same lefe, en ze hauwe feil fan
mekaar, dan is det et mauiste dat d’er op de wereld wese kan, m’ar
juis’ d’arom is et seldsaam, mo’j d’er dankbaar en behoedzaam ’en
kruysie bai sette.…

—Dan—had-ie even later gezeid—wordt ook pas et moederschap

echt maui, onvergelaikelek maui. Jij ben sau [76]orthedoks opgevoed,
da’j misschìen ’en diepe minachtink heb faur de Raumsche. Niks as
jesuieten en mense n’es Alva! Maar weit je well, dat de fereiring fan
de Heilige Maagd, det wil segge: fan et Moederschap as ’en
goddelek ding, dat de pertestante d’ar iets heil mauis mee misse in
der gelauf?.…

Vreemd was het Geer, zulk redeneeren van zoo’n man, net of het
geloof iets was, dat de menschen maar schikten en kozen net as ze
wou’en. Maar toch.… wat dacht Meneer Maandag ’en móóie dingen,
in weerwil van zijn ongeloof.… Want dat van het Moederschap.…
Geer herinnerde zich heel goed, hoe Groo’va kon uitvaren tegen de
menschvereering van de Roomschen in de Heilige Maagd.… maar ze
had ’es ’en prentje gezien van Maria met het Kind, en toen was ze
blij geweest, dat Maria een stralenkrans had om ’et hoofd, zóó lief
had ze Maria gevonde.…

—Seg maid, wat baij still!

—’k Dacht an wat u Woensdag zei van de Heilige Maagd.

—An wat!?
—Weet u nie’ meer? van het Moederschap bij de Roomsche.…

—Heire Jesis! Denk ie da’r no’ an! En we gane broedertjes ete.…

Toen—Geer vóelde de stem-verandering:

—Denk ie wel us graag aufer sukke dinge?

Geer zàg dat hij naar haar keek. Zij waren nu bij de Delftsche Poort.
Iets minder menschengedrang dan aldoor op ’t Coolsingel. Zij keek
hem even aan, en knikte. Ze vond het prettig, dat hij nu wist, hoe
graag zij nadacht over de dingen.

—Sau! No’!.… bromde hij. Maar precies hoe wist ze niet, het was
haar, of ze in het malle kleine hoofdje een aanzwelling zag van
voldoening; of het stiller lag op het doopvont van de schouders,
zwaarder woog, of het aan de nek verbreedde, of de mond een
toetje maakte.… En nu had ze innige schik!

—Nou gaat u ook mee poffers ete?!.…

—Hèhèhè! [77]

Hij lachte, dat de meisjes van twee achter mekaar aansjokkende

kermisparen allebei naar hem, en toen naar Geertje keken.

Maar zij voelde in zijn lach, dat hij blij was en begreep, hoe ze zoo
opeens had kunnen zeggen: nóu gaat u ook mee. En toen ze boven
op de Schiebrug, onder vóór zich tusschen de boomen, ’t gekrioel
rondom de kramen hadden, keek zij hem weer even aan, en lachte
hij nog weer eens net zoo—dat ’en straatjongen ’t hem nadee’.

Oom en Tante wachtten al. Maar Gerrit Holkers zat er bij! Tante
bleek hem gevraagd te hebben. Geer kon tegeswoordig niet meer
vriendelijk tegen hem wezen. Ze had ’em altijd zoo’n zeeschip
gevonden, zoo pedant en zwaaropdehandsch. Maar tegeswoordig
wou die d’er nog kemiek bij wezen ook.

—Zou ’k de winkel dan nou maar sluite? zei Oom met ’en gewicht, of
wie-weet-hoeveel klante d’er vanavond door verstoken zou’en blijven
van papier en pennen. Niemand antwoordde.

—M’ak no’ tuch fort, riep Tante, toen Oom voor treuzelde. En Geer
had opeens het gevoel, of ze allemaal naar de trein moesten, en hier
alles zoo kaal was en arm, omdat ze het huis verlaten gingen.…

Net had oom de voordeur gesloten, en gingen ze, zij met Tante en
de mannen d’er achter, toen van de overzij van de Schie het getoet
klonk, dat er brand was.

—Effe haure, zei meneer Maandag. Bij al het rumoer van overal en
het heesche gedreun van twee draaiorgels, kon niemand de agent
verstaan. Maar in de Zomerhofstraat liep er ook een. Vrij ver af. Geer
verstond niks, hoewel ze ervoor waren blijven staan. Maar meneer
Maandag keek Oom aan, deze scheen hem te begrijpen.… Toen de
agent nog eens had geroepen, zei meneer Maandag:—’k Glauf
verâchtig.… En ja! daar opééns hadt je een agent vlak voor hen: Tè
—tè.… Hè, Geer vond het zoo’n afschuwelijk geluid.… die branden
hier in Rotterdam!.…—„Nadorststraat!”.… Ja waarlijk, ’t was in
Maandag z’en straat.… [78]

—No’ m’ar, wie sait no’ dat et bai jau is!

Nee’—Maandag moest er toch heen. Gauw nam hij afscheid,

trippelde weg.

—Waarom is ie toch zoo bang! vroeg Geertje.

—Da’ begraip ik bes’, zeide Tante. ’t Kan tuch wese, dat et bai hum
is.…
—Nou, dan is z’en zuster d’er toch!

—Nee, zei Oom met een smal lachje, die is d’er misschien juust niet.
Saterdag van de kermis, dan blijft Bet niet in huis!.…

—En de kinders dan?

—O, die slape.…

Geertje voelde zich koud in het gezicht worden. Zooals meneer

Maandag daar weg draafde, zoo gauw als ie kon de hooge brug op,
met z’en kleine beenen! Gauw—de brand moest eens bij hem zijn—
naar z’en hooge bovenwoning, waar Piet en Miet liggen, zonder
Moeder. En die moeder is zijn zuster—en hij houdt van de Maagd
Maria.…

Er was iets weg van de pret voor Geertje. Maandag d’er niet bij, en
Gerrit wel. En die vervelende grappen van Gerrit! Had ze nóu maar.…
nee’ maar, dat had toch niet gekund, dat zij uitging met ’en knecht
uit de winkel van Van Dam. Toch was Kees wel een leuke jongen, en
wel drie keer had ie ’et haar gevraagd, hoe lang geleje al, toe’ die’
middag, toe’ zij zelf eve’ arreroet was komme hale voor Truus. Toen
al had-ie d’er van gesproke. Nee maar, et ging niet, ’en vreemde
jongen. Al deje ze dat hier in Rotterdam, Groo’va zou het nooit goed
gevonde hebbe. Hè maar die Gerrit!

—Nee ik geef je géén arm!

—Wat! Geen arm! Dan ga ’k me’ ’n ander!

—Doe dat!

—Gut allemachtig wat finnig! Hadt jai misschien mi’ ’n ander gewild?

—Ik ga met Oom.…

Oom liep evenmin gearmd, zelfs niet eens náást Tante. [79]Lachende
haakte ze zich aan Oom. Maar nu maakte Gerrit spektakel. Hij kon
toch niet met z’en zus op de hort gaan!.… Hihò, hihò.… Op eens, als
iets dat je in de keel grijpt, drong nu een gedrang naar haar op,
even leek ’t dreigend, toen als een lolletje, maar dat ruw op haar los
kwam varen.…—Kom! hoorde ze Oom, haastig in het rumoer; en
dankbaar, plotseling toch wèl angstig, drukte ze zich vast aan hem.…
Hihò, hihò.… schokte het nu achter en om haar; ze voelde de
ademtochten der schreeuwers in haar nek; ellebogen stootten,
drukten; als door een dansende muur werd zij voortgedreven; daar
brak de muur en was het of de stukken dreigend tegen haar in
vielen; overal waren donkere rompen, overal bezeten koppen,
deinende met telkens horten, ongevoelig voor de schokken,
zweetende, stinkende schreeuwerskoppen, logge lijven buigend
drijvend.… Nu was zij midden in een keten, tegen haar aan een dom
mannegezicht, oogen die wezenloos langs haar keken, terwijl de
mond-alleen woest leefde.… Hihò, hihò.… Jakkes, nu een hand in ’er
haar.… Gut, wat wàs dat.… o ke’fetti.… Hihò, ’en arm had ’er vast
om het middel.… Néé!.… Lòs.… Maar nu een ander an d’er arm .…
Malle Oom om mee te springe.… Gut! waar waren Tante, Gerrit.…
Lòs!.… Nee, ’t ging niet.… Hihò, hó; nu was het of ze opgetild werd;
ze voelde d’er voeten de grond niet meer raken, hobbelend glijende
voer ze voort, meegerukt in de plots’linge ren der zinloos mekaar
overschreeuwende jongens, voort onder boomen, door walm van
kramen, tusschen de laaiende lichten in: ros de koppen, misvormd
van het schreeuwen.… Voort.… Waar was Oom?!.… O Groote God!
Los!.…

Hè! eindelijk was ze uit de benauwing.

Waar was Oom?!.… O daar gelukkig!

—Nou, da’ was ’en lolletje, hé?

—Waar ben we hier?

—Op et Couwenburgsch-eiland.

—Waar zou Tante zijn?

—Ja, da’ wee ’k niet. La’ me maar ’en eind teruggaan.… [80]

.…—Kijk!

Daar stonden Tante en Gerrit voor een kraam. Jeetje, wat ’en booze
gezichten!

O, kreeg Oom ’et, haar was ’t goed. Ja, dat zeidie wel. Hùn schuld!
God, as Tante bazigde! Wat! zij nou een arm an Gerrit?.… Nou
vooruit, wat kon ’t haar schelen.

—Maar zou we hier nou m’ar nie’ ingaan?

Prettig denkbeeld weer van Oom! Wat ’en mooie, groote kraam! Al
dat koper, en die spiegels, en de kamertjes zoo netjes.… Wat? geen
plaa’s?? Hèjakkes toch.…

En nou die?.… Was lang zoo mooi niet.

—As de broedertjes d’er m’ar smake.…

Nou ja, maar.… Affijn, vooruit.

Hè, die Gerrit, wat ’en jong toch, waarom niet in dat kamertje?.…
Hier kon ’t ook.…

Nee! zij tracteerde!

—Straks mag u!
—En wanneer mag ik?

—Jij, je heb geen cent op zak!

—O, ik dach’ da’ je meinde jau ’en kusje gaife.…

Hè, dat Tante daar om lachte.

—Wat duurt dat lang, hè?

—We hebbe toch geen haas’!.…

Hihò, hihò.… de vloer, de wanden schudderden! Wat ’en mense!.…

Nergens plaa’s. Dan moch’en zullie nog van geluk spreke.… O, daar
ware de broedertjes ook.

Hè, zoo was et toch wel aardig. Kijk Oom ete! Hè ja, knu’s. Jammer
alleen van Maandag.

—Zou meneer Maandag ons nog zoeke?

—Maandag? en die is naar huis!

—Nou ja, maar.…

Geertje zag ’em zitten thuis. Ze kende de woning alleen van buiten
en de kinderen had ze nooit gezien. Maar ze stelde zich hem voor,
wakende bij twee armoedige bedjes, aan ’en tafel [81]met ’en heele
boel boeken, net als Groo’va placht te hebben:—bij die troost z’en
zuster wachtend.

—No’, wa’ nau? vroeg Gerrit.

Hij was het eerst door de poffers heen geweest en nou hadden ook
Oom en Geertje ze-n-op: Gerrit werd ongeduldig. Oom stemde toe:
je kos hier niet de ganschen avend blijve zitte!

—Neem u nog ’en bordje, Oom, zei Geertje.

—Nee meid, zoo is ’t wel geweest, hoor.

—Hai jai ook sau’n drauge mond? komiekte Gerrit.

Gut, daar had Geertje niet aan gedacht! Ze hadde d’er wat bij moete
drinke! Maar kòn je hier wat te drinke krijge?

—Nee, m’ar da’ doen we-n-auk nie’ hier!

—’t Is wel geweest, herhaalde Oom.

—M’ar maid, mo’ jai da’ no’ allem’al betale? verduidelijkte Tante,
toen Geertje d’er rijksdaalder liet blinken.

Ja natuurlijk!.… O geen sprake van.…

Na een:—„No’, bedankt dan” van Tante, stonden zij op.

Buiten hoste men in de motregen.

—God wa’n mense!

—We moste n’ar den Doel kunne, deed Gerrit groot.

—Betaal jai den intree? schampscheutte Tante.

—Och maar Geer mot de kermis toch zien! redde Oom. En hij nam
de arm van Geertje.

—Verdomme nai! haastte zich Gerrit en drong Oom weg.

Maar nu had Oom weer een ander idee:

—Zouwwe niet éérst ’en spatje neme?

—Sau’n klain tikkertje? viel Gerrit grappig doend bij.

De vrouwen werden meegetroggeld. Tante wou niks hebben. Ook

Geertje bedankte. Maar hop! Oom en Gerrit wisten d’er weg mee.

—No’! No’ vooruit mit de gait!

Hihò, hihò!.… Hè, daar hadt je weer zoo’n sliert.… Geertje vond de
menschen ruw.

—We hadde naar den Doel motte gaan, parmantigde Gerrit. [82]

Geertje dacht nu ook aan den intree.

—Wat wei je fa’ m’en hebbe faur je kermis? vroeg hij even later.

—Ik? van jou?

—Ja netuurlik. ’k Mot je wat gaife—’en gedachtenissie. ’t Is de eerste

keer da me same-n-uitgaan.

En de laatste, wenschten Geertje’s gedachten.

Geertje wist niet, wat ze daar op zou antwoorden. Gerrit dee

warempel net, of-ie met ’en vreemd meisje uit was, dat-ie het hof
moest maken! Wat ’en vervelend gezicht had-ie toch, vooral zoo as
nou, as ie aardig wou weze!

Bij de kramen begon ie weer.

—Wa’ za’k fer je kaupe?

—Och jonge kle’s niet!

—Kle’sse? a’k je-n-’en kedautje wil gaife? Ik kraig tuch auk well wat
van jau?

—Kan je begrijpe.…

—Kan je begraipe? Da’ ze’ we n’es zien!

En hij pakte ’er om ’er middel.

—Zèg!.… Mo’k weer mit Oom gaan loope?

—Hè Geer wa’ bai je ferfelend.

—Jij ben vervelend.…

Hihò, hihò, joelden paren langs hen heen.

—Hihò!.…

Rukkend, onredzaam, trok Gerrit haar mee in de hos. Kramen, nu,

aan bei’e kanten. Eindeloos.… Het leek een straat! Geer dacht aan
de vijf, zes kramen, op de kermis bij hun thuis.… En zoo lekker
loopen was het—groote steenen, als in de keuken op Groeneveld.…
Gut!.…

—Nee toe, laat nou is kijke.…

Kijk is, wàt ’en schilderijen! En maar twee gulde vijf en veertig. Ook
niet duur, in zoo’n gouwe lijst! En daar—wat ’en kraam met
speelgoed!

—Sa’k f’or jau ’en rammelaar kaupe? [83]

—Och jonge loop!

—Nau ko’mee!
Weer moest ze voort, glij’end haast, zóó trok hij haar, nu zijn arm
door de hare gestoken, haastig tusschen het drukke
menschengeschuifel heen, schuin naar de overkant, vóór een
koekkraam.

Zóó’n groote kraam had ze nooit gezien. En zoo keurig, met al die
vakken!

—Wee je no’ sau’n koek fan me?

—Gee’ me dan ’en zakkie moppe.…

Lekker waren ze, de moppen. Loopende snoepte Geertje er uit, bood

er Gerrit een, hoorde zich nageroepen door jongens zonder meisjes,
die vroegen of zijlie niks kregen.…

Gerrit, haar vroolijk ziende:

—No’ hier h’en!

’t Was opeens een stratenkruising, brekend de knusse nauwe

gezelligheid-van-licht in de kramenlaan met een armoejige, holle
wijdte van duister, waar Geertje zich in voelde dringen, door een
driftige drang van Gerrit z’en lijf, een schielijk vàst sturen aan ’er
arm.…

—Jonge, waar wee’j nou heen!

—Toe Geer, la’k je no’ is pakke!

—Zeg!.…

Met één ruk was ze los.

Wat ’en lamme jonge toch! Net zoo een as thuis die jonge van
Zwartjes, die wou ook altijd iedereen zoene. Voor twee jaar, met de
kermis, toen zij nog zoo het land had gehad, omdat ze ’s avonds niet
meer uit mocht, van Groo’va, had ie Lina Wijers geplaagd—Lina, van
wie zij jaloersch was geweest, omdat die wel naar de kermis mocht,
en die ze later had uitgelachen.…

—Seg kom no’.…

—Och la’ me los!

„Tsa!”—„Soen et of!” riepen jongens langs hen heen.

—M’ar wat wau je dan! Ga mee! [84]

—Waar zijn Oom en Tante gebleve?!

Geertje schrikte. Zij waren hen kwijt! Hemel, hoe vonden ze die nou
terug! En anders.… wat te doen.…?

Tusschen de kramen terug.… Jawel! Menschen genoeg, maar niet

Oom en Tante. Jakkes, wat ’en nare avond.…

—Uch da’s niks, we finde ze well!

—Ja, maar ik ga niet verder mee!

—Wa’s dat nau? Nie’ mee! Motte we hier dan blaive?.… Kom! we
gane fóór bai Bierman sitte, da’s aufer de kermis, d’ar motte se
langs.

—Hoe over de kermis? we zijn op de kermis.

—Maid bai je mal, di’s de kermis niet, di’ sain m’ar sewat krame.…
De kermis is op de Beestemart.…

—Daar hei je Tante!

—Ja we’rachtig! Zie je no’? Wat he’k gesaid!

—Waar was u zoo lang gebleve!

—Uch je Aum most bai Frikkers in.

—Nee, we kwamme dinges tege.… Henze, van de stoomtram.… die

ha’k in zóó lang niet gezien.…

—Ja ma’r hai zai nie da me de kroeg in moste.…

—Och mens, la na je kijke, je heb toch zelf ook meegeproefd.…

„O me lieve swartkop, foel er is.…”

„Hihò! hihò!.…”

—Bij mekaar blijve! gilde Geertje.

Weer had ze die nare gewaarwording van te worden meegesleept als

een stokje in de beek op Groeneveld; dat je mensch voor mensch op
je aankomen ziet maar de sliert als een ding je meetrekt.… Doch nu
drong zij zich tùsschen de menschen, langs de menschen glipte zij
heen, altoos aan ’er arm Gerrit, die nu haar moest volgen; tot zij,
plotseling tòch een heel eind, nèt-anders dan ze wou, gedrongen,
radeloos al, Tante zag, Tante’s arm te pakken kreeg, die Oom
hield.… Toen liet ook zij zich veilig gaan. „Hihò! hihò!” lachende dee’
ze mee met de schreeuwers. Er waren nu [85]nergens kramen meer,
en de menschen hosten maar door. ’t Was als wier’ je
voortgedreven, maar, opeens, dan hokte ’t weer, dan had er een
voor of opzij wat verloren, of d’er hadden ’er ruzie, of d’er bleven er
staan, zonder dat iemand wist waarom. Voort ging ’t dan weer, met
een liedje, Geertje kende wijs noch woorden, eerst zongen jongens
achter wat anders, maar toen begonnen d’er voor met dit.… nu
dee’en allen hieraan mee.… en verder stoven ze, zeilende voort,
zonder hossen.… Gut, wat nòu.…

’t Was plotseling een kring van weerstand, waar zij in gedrongen

stonden, menschen die schreeuwend de weg versperden, die niet
drongen, ook niet weken, die slechts schreeuwende versperden.
Even dreigementen, vloeken.… Toen, eensklaps, als bij afspraak,
gehihò van allen samen, één vlijtig stampgespring aldoor op
dezelfde plek, mèt een zachtjes àlmaar dringen, dringen dichter op
elkander, èn een sneller hihò roepen en een sneller
voetenstampen.… even, dan, gegil, gegiegel.… en de troep wàs al
uiteen, stukken sliert zochten elkander, maar de meeste menschen
weken, paarsgewijs, in groep, terzijde, rustig uiteengaande, naar de
trottoirs, zich verspreidend als na een kerkgang.

Geertje had Tante niet losgelaten. Bij het vlakkend kleurlicht van een
apotheek vonden zij Oom en Gerrit terug: Oom had weer een kennis
ontmoet, die nu meeliep, naar de kermis, tot waar, aan het eind van
de wijde straat, het vele licht was en ’t volle rumoer.

—Daar hei je de kermis, Geer! zei Oom, wijzend welwillend met

wijde armzwaai naar al het wondergedruisch daar vóór haar; doch
meteen maakten zijn hoofd en oogen tegen de vreemde meneer die
mee was geloopen een beweging naar de andere kant; Geertje
hoorde de meneer: „Ja, netuurluk” zeggen, en zag Oom een trap
opgaan, toen de meneer, toen Tante.…

—Di’s Bierman, zei Gerrit, inlichtend en noodend, als moest het ook
haar een pretje wezen, nog weer een herberg binnen te gaan. [86]

—La’ me los! weerde ze bits af, toen hij haar het trapje wilde
opduwen.
Aardig zitten was het er wel. D’er gingen net menschen weg uit de,
hoog boven de straat staande, veranda, toen zij binnenkwamen; en
hoewel er dadelijk andere uit de zaal op het vrijrakend tafeltje
toeschoten, wist Oom met een grap het voor hen te krijgen.

—Hèhèhè, he’k et handig gedaan, of niet!

De meneer zei, dat Oom een goochemerd was.

Toen bestelde Oom met veel hard praten te drinken.

—Ma’k toch nie’ sau’n opstand, verweet Tante.

Maar Oom vroeg of je dan op de kermis niet us ’en lolletje hebben

mocht, en dronk eerst het bier van Tante en toen zijn eigen glas
leeg.

In de zaal dreunde telkens de vervaarlijke muziek van een reuze-

orgel met trom en bekkenslag, en Geertje moest aldoor lachen om
het kabaal, dat een troep jongens bij het buffet maakten, die er
stonden te schreeuwen en te springen en net dee’en of ze de glazen
wegnemen wou’en van de groote presenteerbladen der knechts. Dan
weer boog ze voorover om naar de straat te kijken, en kreeg bij die
beweging, na de warmte van de zaal, de koelte van de avond in ’t
gezicht. En als een tocht ook leken in ’t ongezellige duister der straat
de breede slierten menschen te naderen en voorbij te gaan; Geertje
huiverde ervan, wanneer ze de Hugo-de-Groot-straat inkeek, al die
dreigend naar voren komende jongens en mannen, dronken of
dronkendoende, met de mal-gillende meiden, schuddend of log-
hangend aan vrijers arm. Bij het weinige licht van de lantarens zag
zij de rijen al in de verte, vooruitkomend als een troep soldaten, in
hetzelfde breede gelid waarin ze vroeger thuis het voetvolk uit de
stad, dat een wandeling dee’, zag aanmarcheeren: bang dat ze haar
onderstboven zouden loopen, daar ze de gansche straatweg
innamen van berm tot berm. Keek ze even later [87]weer de straat
in, dan was zoo een rij nog maar weinig gevorderd, plotseling zag ze
de menschen stilstaan en begonnen zij te springen, en er waren er
die afdreven naar een van de vele kroegjes aan de overkant, voor
welke hekken waren geplaatst met boompjes-in-potten en banken
dat je buiten kon zitten; de anderen kwamen ten leste weer voort,
naderden, nu geweldig schreeuwend, de mannen de koppen
achterover om het geschreeuw de lucht in te gooien, vadsig
bewegend, enkel kracht gevend aan hun geschreeuw; de vrouwen,
als hangende tusschen de mannen, maar voorovergebogen de
mannen vóórtduwend naar de kermis.

Geertje kon zich haast niet voorstellen, dat zij straks in zoo’n troep
had meegesprongen—deden de menschen nu niet ruwer? even
dacht zij aan thuis, aan Groo’va.… Maar net waren Oom en die
meneer Bloem aan het ruzieën, wie er nú een glas mocht geven.…
Schuw keek ze naar Oom z’en glas, ’t hoeveelste was dit al, ze wist
niet; Oom begon zoo raar te doen, had zoo’n kleur, toch was ’t niet
warm hier.… Dàn was ze toch veel liever op straat, waarom hier
zitte? daar was pas de kermis, ’en plein zóó groot, had Gerrit gezeid,
het plein van de veemarkt; en zij zaten hier te suffen, Oom al hàlf
dronken; àl die menschen gingen voorbij; aardig die menigte bij het
plein, als zwarte spoken waren de menschen vóór ’t rosse licht, net
als ze eens de mannen gezien had voor de ovens in die fabriek te
Deventer, waar ze met Groo’va heen was geweest.… Ze dee’en wel
naar, die dronken mannen, maar d’er waren ook vroolijke paren, blij
en netjes de kermis opgaand, om wat te zìen.… Prettig zoo.… Zij
met Gerrit opgescheept, vervelende jongen, leelijke jongen.… Wàs
ze nou is netjes uit mit ’en fesoendeleke jongen—Groo’va had et
nooit wille hebbe.… wàt kon d’er zondigs in zijn, beter dan hier zóó!
’t liefst, ja ’t liefst een flinke, groote.… nee, niet as Kees van Van
Dam, ook niet as Willem Heukelman! stel je voor! Willem.… ’en flink
opgeschoten jongen, met ’en regelmatig [88]gezicht.… hòe precies.…
nou ja, hoe zou ze zich dàt nou voorstelle.… ’en jongen, die ’en
beetje aardig was, niet vervelend kemiek as Gerrit, maar vroolijk en
plezierig.… O, om óók zóó’s ie’s te hebbe.… da’je je jong voelt, dat je
lacht.…

Hè? wàt zei Oom? nog meer bier? zij?.… „Nee dank u”.… D’er was
nog wat in d’er glas, maar ’es leeg drinke.… Jakkes, ze vond dit bier
bitter en drabbig, zoo slijmerig, net of et glas niet schoon was
geweest.… ’t was toch ook te koud voor bier, koud kreeg ze ’t hier, in
de hooge, open veranda, met die tocht telkens. O, dat mal wille
doen van Gerrit; nou zat ie weer, de eenige op de veranda, mee te
zinge met de jongens van binne.… Tante was een gesprek begonne
met een juffrouw die zij niet kende, over boter en margarine: dat zij
toch altoos boter verkoos.… jawel, zoo ie’s kei je gemakkelijk zegge
tegen ’en juffrouw die niet weet wie je ben, vooral op ’en avond dat
Oom groot doet:—want netuurlek wou Oom het bier betale, die
meneer Bloem zat wel op te snij’e van de rondjes die-ie laa’st had
verlore bij het biljart, bij wist-Geer-wat-voor gelegenheid, maar
ondertusschen liet ie zich nou trakteere.…

—Eeeeh!.… Geer moest er van gapen.

—Eeeeh!.… Gerrit dee et er na.—Jij breng ’en mensch an ’t gape.…

—Zoo.

—Ferfeell je je hier?

—Och vervele.…

—Jan, hei! Jan! haur dan tuch!.… Geer wau graag de kermis up.

—’t Is hier toch ook kermis, zei meneer Bloem.

Natuurlijk, as je je laat trakteere, dacht Geertje, maar ze zei enkel,
sip:

—Ja, je zie hier wat!

Tante brak ’t gesprek met de onbekende juffrouw af; met een wenk
naar Oom z’en glas, gaf ze Geertje toe, dat ze nou toch is verder
moste gaan. En ten leste ging men. [89]

Toen stond Geertje in Wonderland. Gerrit had gezeid, dat de kermis

op een plein was: ze stond in een breeë straat vol menschen, met
wonderpaleizen aan beije kanten.

Ware dàt nou kermistente!? Huize ware ’t, hooge huize; schilderije,
zoo groot as ze nooit nog gezien had; buite op de mure, schilderije
met leeuwe en mense, één met twee tijgers die ’en meisje anvalle;
en wat ’en verlichting! ’en rand van lich’jes bove langs et heele
gebouw en ’en prachtige zon in et midde, boven den intree; ’en
veranda, met trappe naar straat aan beijes kante; op de veranda
een groot orgel, en achter ’en tafeltje ’en juffrouw met ringe in d’er
oore, zoo groot as armbande. Achter de juffrouw rooie gordijne.…
Jee! en nou, wa’ ’n gekke vent! Joepte-n-ineens door et gordijn
heen, stond nou maar naar de mense te buige, en zoo mal gekleed,
’t leek wel: já, z’en heele gezicht had-ie beschilderd!.… Heerejeetje!
zag je dat! Sprong opeens de hoogte-n-in, draaide rond, zoo, in de
lucht, kwam gewoon op z’en beene neer, en nou an et kushandjes
geve. Wat ’en leuke vent was dàt!.… Kijk et loope, mense naar
binne!.… O, an de juffrouw mos’ je betale.…

—Zou dat duur zijn? vroeg ze aan Gerrit.

—Och bai’j mal, da’r ha’j nau niks!

En met plompe ruwheid trok hij haar mee.

Hè, ze had zoo’n hekel an die jonge! Waarom daar nou nog niet us
gekeke? Wáár ware.…!? O, Tante liep vlak achter d’er. Oom maar
altoos mit meneer Bloem. Jakkes, dat gedrang van die jonges!
Trapte’ telke’s op d’er rok.

Héérejee, wat was dàt nou weer. ’En vent me’ ’n trompet voor z’en
mond sprak de mense toe. Maar zij kon d’er niks van verstaan. Ook
weer zoo’n vent met ’en beschilderd gezicht, maar nou heelegaar in
et zwart gekleed. Kijk toch us wat ’en zwavelstokjes van beene. Zes
muzekante op de veranda.… En daar.… Wáre-n-et meisjes?

Geertje voelde zich wegzinken van verbazing. Dáár, vlak [90]vóór d’er,
zag ze ’n meisje, en et kon d’er zuster zijn, zóó sprekend leek et
meisje op d’er, ook d’er haarwrong had ze nèt as zij, alleen had het
meisje ponnie en ’t haar bij ’et oor gekruld.

En het meisje had ’en bloote hals, bloote arme, en geen rokke.

Geertje voelde zich verlegen worden voor het meisje, dat zoo op
haar leek. Ze dacht aan thuis, aan Groo’va, aan diens aanstoot aan
de kermis dáár: draaimolen, koekkramen, speelgoedskraam! Ze
herinnerde zich vrouw Huzekamp, hoe die met ’er kinders in de
draaimolen ging, verleje jaar, en toen haar had toegeroepen:—
Geertjen, moj’ d’er nou ook nie’s in? hoe Groo’va boos had
opgekeken. Ze herinnerde zich, ze zag het alles, opeens, tegelijk,
even d’oogen af van ’t meisje .… En toen keek ze weer naar ’t
meisje, dat daar stil en zedig stond, zoo iets vriendelijks in de oogen,
net zoo als zij ook graag keek.…

—Geer! die meid lijkt op jou!

In een zwalp van bierstank tegen haar aankletsend, plots’ling heen

door het getier waar ze niet meer op lette, schrikte Oom’s
stemgeluid rauw haar ontstelde denken op, en was haar nog
onaangenamer, daar het haar eigen gedachte uitsprak. ’t Was haar,
of een geheim opeens gehoord werd door de heele kermis. Ze wist
niet meer, wie was beleedigd, zij of het meisje; ze schaamde zich
vreeselijk over de vergelijking, en toch had ze ook diep medelijden
met het meisje, over wie Oom, met dronkemanstong, in zijn
afschuwelijk altijd-grappig-doen ruw dorst spreken. O, ze haatte,
haatte Oom; ze voelde opeens fel al de rampzalige schaamte over
die familie van d’er, ze snakte terug naar het Hang, waar ze beter
was, waar ze zich thuis voelde; weg wou ze van zulke liederlijkheid;
en het wàs toch de familie.…

Toen hoorde ze Gerrit zeggen:

—Geer! haur je niet, wat aum sait! Haije-n-in sussie hier?

En toen kon ze, wist ze niet meer. Ze rukte zich los van [91]Gerrit z’en
arm, wendende had ze een menschenmuur vóór zich, ze zag
gezichten, die naar haar keken, oogen spotten, monden spraken, ze
voelde een manshand die naar haar greep; máár nu had ze ook het
gewone bewustzijn van als ze zich ergens door moest slaan: ze
voelde zich een kalm gezicht zetten, ze hoorde zich tegen een ou’we
juffrouw zeggen: „Och mag ’k asjeblief d’er eve’tjes door?” Toen nog
door een rijtje menschen, en vrij, onbekeken was ze, in ’t gedrang.
Mèt viel zwaar de vraag op haar, waar ze nu zou blijven.… Ze zou
maar zien.… Naar huis, et Hang.… En hoe moest ze dan nou
loope.… Wacht, ja, die kant, daar ware ze van daan gekomme.…

Weer drong ze voort, en juist zag ze de veranda van ’t café, waar ze

straks gezeten had, toen een hand viel op haar schouder en Oom
naast haar was.

Wat of dat nou voor manieren waren. Om haar waren ze naar de

kermis gegaan. En nou liep ze zoo maar v’ort. Om niks! Om niks!
Tante was er heel ontsteld van. Geer kon toch zóó raar soms doen.
Oom redeneerde, of ie nog niks gedronken had, zoo flink. „Prate
kan-ie nog in z’en graf,” dacht Geertje. En je hadt ’em maar effe an
te zien, om te weten, hoe laat het was.

Toch liet ze zich gewillig meevoeren. Ze vond nu zelf ook, dat ze mal
had gedaan. Wat kon haar dat meisje schelen!

Toen ze bij de tent kwamen, stonden er nog veel meer menschen

voor. En, even kreeg Geertje toch een schok, toen ze dit zag: het
meisje zat daar, op die hooge schouwplaats, op de schouders van
het andere meisje, en op haar schouders zat een jongetje, en.… o
giet! Geertje greep Oom vast van de schrik; net toen zij hen zag,
boog die lijn van menschen voorover.… ’t jongetje was van het
meisje gevallen, ’t meisje van het andere meisje, maar hupp’lend
wierpen alle drie kushandjes toe aan de menigte.

—Hoe is ’t go’s mogelik, hé? hoorde ze een juffrouw tegen d’er man
zeggen, en zoo vroeg zij ook. [92]

Met geduldig dringen, zij dicht tegen Oom, die met iedereen
malligheid maakte, doch eens bijna ruzie kreeg met een marinier;
kwamen zij eindelijk bij Tante en Gerrit, die niet van de plaats
geweken waren. Meneer Bloem was verdwenen.

Geertje had nog willen zeggen, dat ze niet meer met Gerrit wou
loopen; maar Tante keek toch al weinig vriend’lijk; ze durfde niet.
Ook Gerrit mopperde van: „jai ben un faine,” en nog zoo iets van: „o
krai ’k weir ’en arm?” Maar hij trok met haar vooruit, Oom en Tante
volgden. De muzikanten vóór de tent hadden geweld gemaakt, nu
begon de dikke man door de lange trompet te praten, en Geertje
verstond duidelijk, dat je voor drie stuivers binne kon. Juist
verdwenen de meisjes door een gordijn, even voelde ze een dràng,
om te vragen, of zij voor allen mocht betalen. Doch wat zou’en ze
dan denke? nee, ze dorst het niet vragen—lijzig trok haar Gerrit
voort.

Nu drentelden zij lange tijd tusschen de menigte en de tenten.

Geertje vond de dingen nu niet zoo wonderlijk meer. Zij zag dat de
huizen van planken ruw ineengezet waren. Toch bleef veel haar wel
verbazen. Waar toch al dat licht vandaan kwam? Al dat gas, ze hield
van gas, ze vond het prettig, thuis het gas aan te steken; Groo’va
had er vroeger ’es uitgelegd wat gas was; telkens als nu in de
huiskamer bij Meneer het licht met een plof ontbrandde, vond ze dit
belangwekkend. Maar hoe kwamen al die enkele-weken’s-tenten aan
zoo’n prachtige verlichting? Eén licht straalde koninklijk. Het
overstraalde heel de weg. Geertje dacht aan de Ster van Bethlehem:
zóó schitterde dat eene licht, hoog van een dak, uit de verte haar
tegen. Ook genoot zij van de spiegels. Overal dat weerkaatste
geflonker, die zilverige, diep-makende glansen: soms net selons, zóó
’an straat.

Gerrit hield haar staande in een leege hoek, bij een rare machine.
Een vieze magere jongen, met z’en haar mal langs z’en ooren
gestreken, net of ie ’en meisje was, sloeg zoo [93]hard as tie kon met
een groote hamer op ’en ding in de laagte, en dan vloog d’er langs
’en paal ’en poppetje op.

—Da ’s no’ de kop van Jut, grinnikte Gerrit. Wi’j ook is?

En toen Geertje niet antwoordde:

—Wil ik et us doen?

De vieze jongen bood Gerrit de hamer al aan.

—Jai, zei Gerrit tegen Oom.

Maar Oom zei, dat Gerrit het doen moest, en nu tartte ook Geertje
hem. Hij nam de hamer, en vertrok al van te voren zijn pafferig
gezicht zóó raar, dat Geertje lachend naar Oom keek en Tante. Toen
schoot z’en logge lijf plotseling tot een dreiging aan; zijn dofgrijze
appels van oogen wilden uit de kassen vallen; zijn mond was een
halve boog geworden, spannende tusschen de kwalzakken van
wangen; in zijn zondagsche zwarte jas, met één knoop op de borst
gesloten, plooiden hachelijke rimpels bij die onberekende stand der
armen; het slipje van zijn das glipte achter uit de kraag; en meteen
zakten de armen, ketste de hamer langs het ijzer van het blok,
sprong de pop op.… lang zoo hoog niet as straks bij de vieze jonge,
zag Geertje direct.

—Da’ ken beter, spotte Oom.

De vieze jongen had, toen de slag viel, niet eens naar de paal
gekeken. Maar de hamer oprapend, die Gerrit had laten vallen, wou
hij die aan deze geven.

—Doe jai ’t is, hijgde Gerrit tegen zijn zwager.

—Nee, ik dank!

—Nau, wet kle’s je dan! kwam nu Tante voor haar broer op.

Er waren menschen om hen heen komen staan.

—Asjeblief! drong de vieze jongen aan.

Maar Gerrit wou niet meer. Hij had moeite om z’en manchet, die
uitgeschoten was van onder de mouw, over de zweeterige pols te
krijgen. Toen de manchet naar binnen was gewerkt, opende hij zijn
jas, omdat zijn zuster hem attent gemaakt had op het slipje van zijn
dasje; en nu bleek [94]z’en horloge buiten het vest aan de ketting te
bungelen, en zonder glas.
—Daar! riep Geertje dadelijk.

Het glas lag vóór hem op de grond.

—Waar? kribbigde Gerrit, nijdig van zenuwen, en trapte meteen het

glas stuk.

—Nog twee keer, kwam de jongen met de hamer.

Oom fluisterde Gerrit wat in, deze raakte erger ontsteld; toen
betaalde Oom de vieze jongen; en een andere jongen kwam; ’en
malle sladood met bloote armen, heelemaal in nauwsluitend, vuilwit
pakje, met een breeë rooie gordel; die nam de hamer, en nu viel er
een slag: ’t poppetje vlóóg de hoogte in, daar dee et kets! een
percussie ging af.… Geertje keek er met belangstelling naar: dat
zoo’n pierlala nog zóó hard slaan kon. Toen ze zich omkeerde, stond
ze in een dichte kring van menschen en waren Oom en Tante en
Gerrit daar al door heen. Haastig drong ze zich dus voort. Oom en
Gerrit hadden twist. Gerrit vond dat Oom de jongen niet had hoeven
te betalen, omdat deze een stuiver vroeg en Gerrit toch maar eens
had geslagen. Oom hield vol, dat het tegenwoordig overal een
stuiver de drie keer was.

—Nai, ’en sent de keer.

—Vroeger ja, ma’r nou nie’ meer. De draaimolens ben ommers ook
opgeslage.…

—Wa’s dat voor spul! riep Geertje verbaasd.

Vóór de groote tent, op de veranda of hoe dat heette, zag ze een

groote kist van glas, waar ’en vrouw in lag: ze wist niet, ’t moest ’en
pop zijn, ’t leek ’en lijk, maar ze zàg: de vrouw bewoog, d’er borst
ging op en neer.… Andre kisten zag ze nog.…