Introduction to Probability with Mathematica

Second Edition Kevin J. Hastings pdf download

https://ebookgate.com/product/introduction-to-probability-with-
mathematica-second-edition-kevin-j-hastings/

Get Instant Ebook Downloads – Browse at https://ebookgate.com

Instant digital products (PDF, ePub, MOBI) available
Download now and explore formats that suit you...

Introduction to Probability Second Edition George G.

Roussas

https://ebookgate.com/product/introduction-to-probability-second-
edition-george-g-roussas/

ebookgate.com

An introduction to programming with Mathematica 3rd ed

Edition Paul R Wellin

https://ebookgate.com/product/an-introduction-to-programming-with-
mathematica-3rd-ed-edition-paul-r-wellin/

ebookgate.com

Introduction to probability and statistics Second Edition,

Revised And Expanded Edition Giri

https://ebookgate.com/product/introduction-to-probability-and-
statistics-second-edition-revised-and-expanded-edition-giri/

ebookgate.com

Introduction to Algebra Second Edition Peter J. Cameron

https://ebookgate.com/product/introduction-to-algebra-second-edition-
peter-j-cameron/

ebookgate.com
Introduction to Algebra Second Edition Peter J. Cameron

https://ebookgate.com/product/introduction-to-algebra-second-edition-
peter-j-cameron-2/

ebookgate.com

CRC Standard Curves and Surfaces with Mathematica Second

Edition David H. Von Seggern

https://ebookgate.com/product/crc-standard-curves-and-surfaces-with-
mathematica-second-edition-david-h-von-seggern/

ebookgate.com

Introduction to Probability 2nd Edition Dimitri P.

Bertsekas

https://ebookgate.com/product/introduction-to-probability-2nd-edition-
dimitri-p-bertsekas/

ebookgate.com

Introduction to Probability and Statistics Thirteenth

Edition William Mendenhall

https://ebookgate.com/product/introduction-to-probability-and-
statistics-thirteenth-edition-william-mendenhall/

ebookgate.com

Introduction to Probability Models 9th Edition Sheldon M.

Ross

https://ebookgate.com/product/introduction-to-probability-models-9th-
edition-sheldon-m-ross/

ebookgate.com
INTRODUCTION TO
Probability with
Mathematica®
Second Edition
 TEXTBOOKS in MATHEMATICS
Series Editor: Denny Gulick

PUBLISHED TITLES

ABSTRACT ALGEBRA: AN INTERACTIVE APPROACH

William Paulsen
COMPLEX VARIABLES: A PHYSICAL APPROACH WITH APPLICATIONS AND MATLAB®
Steven G. Krantz
ESSENTIALS OF TOPOLOGY WITH APPLICATIONS
Steven G. Krantz
INTRODUCTION TO ABSTRACT ALGEBRA
Jonathan D. H. Smith
INTRODUCTION TO MATHEMATICAL PROOFS: A TRANSITION
Charles E. Roberts, Jr.
INTRODUCTION TO PROBABILITY WITH MATHEMATICA®, SECOND EDITION
Kevin J. Hastings
LINEAR ALBEBRA: A FIRST COURSE WITH APPLICATIONS
Larry E. Knop
MATHEMATICAL AND EXPERIMENTAL MODELING OF PHYSICAL AND BIOLOGICAL PROCESSES
H. T. Banks and H. T. Tran
TEXTBOOKS in MATHEMATICS

INTRODUCTION TO
Probability with
Mathematica®
Second Edition

Kevin J. Hastings
Knox College
Galesburg, Illinois, U.S.A.
Chapman & Hall/CRC
Taylor & Francis Group
6000 Broken Sound Parkway NW, Suite 300
Boca Raton, FL 33487-2742

© 2010 by Taylor and Francis Group, LLC

Chapman & Hall/CRC is an imprint of Taylor & Francis Group, an Informa business

No claim to original U.S. Government works

Printed in the United States of America on acid-free paper

10 9 8 7 6 5 4 3 2 1

International Standard Book Number: 978-1-4200-7938-8 (Hardback)

This book contains information obtained from authentic and highly regarded sources. Reasonable efforts
have been made to publish reliable data and information, but the author and publisher cannot assume
responsibility for the validity of all materials or the consequences of their use. The authors and publishers
have attempted to trace the copyright holders of all material reproduced in this publication and apologize to
copyright holders if permission to publish in this form has not been obtained. If any copyright material has
not been acknowledged please write and let us know so we may rectify in any future reprint.

Except as permitted under U.S. Copyright Law, no part of this book may be reprinted, reproduced, transmit-
ted, or utilized in any form by any electronic, mechanical, or other means, now known or hereafter invented,
including photocopying, microfilming, and recording, or in any information storage or retrieval system,
without written permission from the publishers.

For permission to photocopy or use material electronically from this work, please access www.copyright.
com (http://www.copyright.com/) or contact the Copyright Clearance Center, Inc. (CCC), 222 Rosewood
Drive, Danvers, MA 01923, 978-750-8400. CCC is a not-for-profit organization that provides licenses and
registration for a variety of users. For organizations that have been granted a photocopy license by the CCC,
a separate system of payment has been arranged.

Trademark Notice: Product or corporate names may be trademarks or registered trademarks, and are used
only for identification and explanation without intent to infringe.

Library of Congress Cataloging‑in‑Publication Data

Hastings, Kevin J., 1955-

Introduction to probability with Mathematica / Kevin J. Hastings. -- 2nd ed.
p. cm. -- (Textbooks in mathematics)
Includes bibliographical references and index.
ISBN 978-1-4200-7938-8 (hardcover : alk. paper)
1. Probabilities--Data processing--Textbooks. 2. Mathematica (Computer
file)--Textbooks. I. Title. II. Series.

QA273.19.E4H37 2010
519.20285’536--dc22 2009030737

Visit the Taylor & Francis Web site at

http://www.taylorandfrancis.com

and the CRC Press Web site at

http://www.crcpress.com
To my parents, for their wisdom and for helping me to understand the value of doing
your best
 Preface
When Introduction to Probability with Mathematica® was written in the late 1990s, I
had noticed what other probabilists and statisticians had also noticed. Students were having
difficulty understanding the main concepts of probability: event, sample space, random
variable, distribution, and expectation. This weakened their foundation for the study of
statistics and other subjects that relied on probability, such as operations research and
finance. In addition, real problem solving, with ill-specified problems, large disorganized
data sets, and important and intrinsically interesting applications were substantially missing
from mathematical statistics courses. Students would emerge from such courses with some
understanding of theory, a collection of techniques for preprogrammed situations, and not a
great deal of experience in exploring a problem from the model formulation stage completely
through to the conclusion. Good writing was also not especially emphasized. The second
edition of this book does not claim to fully address all of these problems, but its aim is to
make progress on several fronts, as the first edition did.
It is now rather firmly established that technology can be used as a tool to let
students visualize concepts, to make computations easily, and to encourage open-ended
exploration in realistic, non-contrived problems. Students experience an active learning style
in which they can experiment, make conjectures, and trace the consequences of those
conjectures. For an author who is cognizant of these ideas when writing, the end result is a
text that is involving, that develops the habits of going deeper, questioning assumptions, and
wrestling with ambiguities, and in the end leaves students with real understanding of
probabilistic modeling and the analysis of data, and the ability to put that understanding to
use.
One of the main pedagogical tools used in the first edition was simulation. I
recognized then how powerful a tool simulation could be to help students understand
randomness and sampling concepts better. Simulation also was used to gain insight into
probabilistic models that are not analytically easy to solve.
Simulation programs are easy to write in Mathematica and, in addition, with a little
extra support provided by the Mathematica package and notebooks that I have constructed
to accompany this text, students will be able to easily create their own simulations from
templates, as well as use Mathematica in other kinds of problem-solving situations. The
notebook environment, with its excellent symbol processing capability and smooth integra-
tion of graphics, numerics, and text, yields another valuable pedagogical opportunity: to
encourage students to do professional quality mathematical writing of which they can be
legitimately proud. The use of Mathematica provides a consistent platform for the study and
exposition of probability theory.
The time has come for a new edition of Introduction to Probability with
Mathematica® for a few reasons, one of which is very pragmatic. Starting with version 6.0,
Mathematica changed some important functions and syntax and, in addition provided a few
more features that can be exploited. Because of these changes, the Mathematica notebooks
into which the first edition of the book was divided no longer worked seamlessly, and in a
few cases notebooks didn't work at all. An update of the book is necessary to support current
and future users who update their version of the program. Version 7.0 was introduced just
as I was completing work on the second edition, and that also forced a few last-minute
changes.
 But also, years of experience have revealed important ways in which the presentation
could be modified to be even more effective in the new edition.

• Chapter 6 on applications really intends to be a chapter on stochastic

processes and their applications, and it should be billed that way and reinforced. I have
transferred some of the earlier material on Poisson processes to a new section in Chapter 6,
expanded the section on Markov chains to include a study of absorbing chains, and included
a new section on Brownian motion.
• The first edition did not touch in any significant way on order statistics,
which are important in several topic areas in mathematical statistics. A new section in
Chapter 4 has been added.
• Another area of mathematical statistics that was not addressed very well was
multivariate random variables, and transformations of multivariate normal random variables,
particularly with regard to quadratic forms. Such material sets up the study of regression and
analysis of variance in the second course in the usual sequence. So a new section on
transformations of multivariate normal random variables has been included into Chapter 4.
• To give more attention to elementary data analysis and to ground the theory
of the normal distribution in reality better, more example data and the graphical technique of
the normal quantile plot is covered in Section 4.1.
• More attention has been given to conditional expectation in Section 2.6, a
topic which has increased in importance with the rise to prominence of financial mathemat-
ics.
• There are new visualization and animation features in Mathematica version
6.0 and higher that will increase the interactive nature and visual appeal of some of the
existing examples and facilitate new and interesting animations. For example, when a new
probability density is introduced, a user-controlled manipulation showing parameter
dependence can be done.
• Throughout the book, particularly in Chapters 2 and 4 on discrete and
continuous distributions, I have added some well-chosen problems drawn from Actuarial
Exam P. This course does serve that audience, and these problems should give the students a
head start on preparing for that professional credential.
• A new appendix giving a basic introduction to Mathematica has been
included. The end-of-section lists of Mathematica commands used in the section have been
eliminated. They are unnecessary in the presence of the complete index to the commands in
the appendices.
• And finally, it is always a good idea to refresh examples and exercises, and
add a few more. In teaching from the book a number of times, I noticed that a few of the
existing examples, even the technological ones of which I was so fond, didn’t advance
learning especially well, and so those have been retooled or eliminated. New data sets have
been introduced, particularly in the section on the bivariate normal distribution.
A road map through the text is fairly straightforward. The instructor should cover all
of Chapter 1 on discrete probability. Those who prefer a less simulation-oriented approach
may skip lightly over Section 1.3 without major damage, but in my opinion this is the most
interesting and fun part of the book. Chapter 2 is a fairly standard treatment of the common
discrete distributions, but with heavy use of technology. On first reading, the material on
conditional expectation in Section 2.6 can be minimized (students ought to at least know the
definition), but the section will be very helpful later for students going on to study finance.
Chapter 3 is an important transition to continuous probability, but the first section contains
some material on higher level ideas like Σ-algebras that is usually difficult for students at the
first pass, so handle with care. In Chapter 4 on continuous distributions, certainly Sections
4.1, 4.2, 4.3, 4.5, and 4.6 are must-do sections. Section 4.4 on order statistics may be
omitted if time is pressing. The final section of Chapter 4 requires a bit of linear algebra.
Courses that have this as a prerequisite ought not to be afraid to cover this material, which
helps students a great deal when studying regression and analysis of variance in mathemati-
cal statistics. But courses that do not assume linear algebra should probably pass by Section
4.7. Chapter 5 examines some of the history of probability while covering the Laws of Large
Numbers and the Central Limit Theorem, and so it should not be missed. The treatment of
stochastic processes and applications in Chapter 6 is optional; an instructor can include more
of it or less of it depending on time. The sections are nearly independent of one another,
although it is hard to imagine studying queues in Section 6.3 without first doing Poisson
processes in Section 6.2. Among these sections, surely 6.2 is the most important, filling in
the theory of arrival times that was not touched in Section 2.4 where the Poisson process is
first introduced. The instructor may find the Chapter 6 material to be fertile ground for
student projects and/or independent reading. Students intending to go on to operations
research or finance will particularly benefit by reading and doing these sections.
The second edition of Introduction to Probability with Mathematica® , like the first
edition, is available in the traditional print copy and comes with a CD with executable
notebooks, one per text section. It is my intention for the students to really interact with the
electronic book, but I also think that the paper copy stands on its own merits as a nice
treatment of probability. Having the electronic version ought to greatly benefit the instructor
as well in creating class notes, demonstrations, and projects. I continue to believe that the
book is an important contribution to the field, valued particularly by mathematics depart-
ments that are becoming more and more technologically oriented.
I have updated the complete solutions manual to include the new problems and to be
compatible with Mathematica versions 6 and higher. This is available upon request from the
publisher.
This is now my third project with Chapman & Hall/CRC Press and I must thank the
helpful folks there, including Executive Editor Bob Stern, Project Coordinator Jessica
Vakili, and technical assistants and reviewers for their help in getting the book out. I should
also mention Maryka Baraka and others at Wolfram Research for their Mathematica advice.
And, lastly, I continue to marvel at the patience and encouragement given to me by my wife
Gay Lynn and daughter Emily during my authoring experiences. They are the best.

Kevin J. Hastings
 Note on the Electronic Version and the
KnoxProb7Utilities Package
The CD that accompanies this book contains a Mathematica notebook for each text
section. Copyright law forbids you from distributing these notebooks without the express
permission of the publisher, just as with the print version. The print text was made without
color, by publisher specification, but color effects are included into the electronic version.
Otherwise the electronic notebooks are identical to the print version. When a notebook is
first loaded you can select the Evaluate Initialization Cells command under the Evaluation
menu to reproduce the output. The look of the notebooks in the front end will depend on
what style sheet you are using; I have applied the Book/Textbook stylesheet to these files.
Also on the disk are two packages: the KnoxProb7  Utilities package for users of
version 7 of Mathematica, and KnoxProb6`Utilities` for users of version 6. Move the
appropriate folder into the AddOns\ExtraPackages subdirectory of your main Mathematica
directory in order to allow the electronic book to run. The electronic files are written for
version 7, so the Needs commands in the notebooks should be modified to load Knox-
Prob6`Utilities` instead of KnoxProb7`Utilities` for Mathematica 6 users. The main differ-
ences between the two Utilities versions are: (1) the Histogram command that I had written
for the version 6 package is eliminated in the version 7 package because Wolfram Research
included its own suitable Histogram command into the kernel in version 7; and (2) the
ProbabilityHistogram command had to be rewritten for version 7 due to the elimination of
the BarCharts package that it had relied on. Both packages are updates of those in the
KnoxProb`Utilities` package that was available for the first edition of the book, adapting to
the major changes in the structure of Mathematica that happened as it went into version 6.0.
Among the most important changes for our purposes was that many statistical commands
that had previously been contained in external packages were moved into the kernel, so that
these packages no longer needed to be loaded. The electronic book has been subjected to a
lot of testing, and it should operate well.
 Table of Contents
Chapter 1 – Discrete Probability
1.1 The Cast of Characters 1
1.2 Properties of Probability 10
1.3 Simulation 23
1.4 Random Sampling 33
Sampling in Sequence without Replacement 34
Sampling in a Batch without Replacement 38
Other Sampling Situations 42
1.5 Conditional Probability 48
Multiplication Rules 51
Bayes' Formula 56
1.6 Independence 62
Chapter 2 – Discrete Distributions
2.1 Discrete Random Variables, Distributions,
and Expectations 73
Mean, Variance, and Other Moments 79
Two Special Distributions 85
2.2 Bernoulli and Binomial Random Variables 94
Multinomial Distribution 102
2.3 Geometric and Negative Binomial Random Variables 107
2.4 Poisson Distribution 115
Poisson Processes 120
2.5 Joint, Marginal, and Conditional Distributions 124
2.6 More on Expectation 136
Covariance and Correlation 140
Conditional Expectation 148
Chapter 3 – Continuous Probability
3.1 From the Finite to the (Very) Infinite 159
3.2 Continuous Random Variables and Distributions 171
Joint, Marginal, and Conditional Distributions 178
3.3 Continuous Expectation 192
Chapter 4 – Continuous Distributions
4.1 The Normal Distribution 207
4.2 Bivariate Normal Distribution 225
Bivariate Normal Density 229
Marginal and Conditional Distributions 235
 4.3 New Random Variables from Old 246
C.D.F. Technique and Simulation 247
Moment–Generating Functions 252
4.4 Order Statistics 259
4.5 Gamma Distributions 273
Main Properties 273
The Exponential Distribution 277
4.6 Chi–Square, Student’s t, and F–Distributions 281
Chi–Square Distribution 282
Student's t–Distribution 289
F–Distribution 293
4.7 Transformations of Normal Random Variables 300
Linear Transformations 301
Quadratic Forms in Normal Random Vectors 306
Chapter 5 – Asymptotic Theory
5.1 Strong and Weak Laws of Large Numbers 313
5.2 Central Limit Theorem 320
Chapter 6 – Stochastic Processes and Applications
6.1 Markov Chains 329
Short Run Distributions 331
Long Run Distributions 334
Absorbing Chains 338
6.2 Poisson Processes 344
6.3 Queues 352
Long Run Distribution of System Size 353
Waiting Time Distribution 358
Simulating Queues 359
6.4 Brownian Motion 365
Geometric Brownian Motion 373
6.5 Financial Mathematics 379
Optimal Portfolios 380
Option Pricing 385
Appendices
A. Introduction to Mathematica 395
B. Glossary of Mathematica Commands for Probability 423
C. Short Answers to Selected Exercises 431
References 445

Index 447
 CHAPTER 1
DISCRETE PROBABILITY

1.1 The Cast of Characters

Why study probability? All around us is uncertainty and we must understand its
nature in order to conduct ourselves in the world. We join the shortest waiting line in hopes
that it has the best chance of allowing us to be served quickly. We invest our savings in
assets that we believe are most likely to yield high returns. We buy the battery that we think
is most likely to last the longest. The study of probability also lets you understand the
mechanics of games of chance like roulette, poker, and blackjack; what is predictable and
what is not, what to bet on (usually nothing) and what not to bet on (usually everything). In
all of these cases we do not know for certain what will happen before the phenomenon is
observed (we don't know how much time we will wait in line, what our opponent's blackjack
hand will be, etc.). But some common-sense assumptions, background knowledge, or a long
history of observed data from similar experiments can enable us to quantify likelihoods.
Several of these examples have actually given birth to significant subfields of probability or
related areas of study, for example, queueing theory (i.e., the study of waiting lines) and
mathematical finance, which are introduced in Chapter 6. Probability also provides the
theoretical basis for statistics, which is the art of using data obtained randomly to draw
conclusions about social and scientific phenomena.
In addition to all this, probability exhibits many of the aesthetically appealing
properties that attract people to mathematics in general. It proceeds logically from a few
simple axioms to build an abstract structure which is straightforward, yet powerful. The cast
of characters of probability is both foreign and tangible, which implies that you must work a
little to get to know them, but there is hope in succeeding in the acquaintance.
This text will be somewhat different from others in the field. While the main ideas of
probability have not changed much in at least fifty years, the world has, and learning in
mathematics has changed with it. Many things are technologically possible today of which
mathematics education should take advantage. This book is a living, interactive text which
asks you to do activities as you read carefully to help you understand and discover the ideas
of probability in new ways, on your own terms. The complete text is available electronically
in the form of Mathematica notebooks, one for each section. The notebooks are executable,
so that you can reenter existing commands, modify them, or write your own supplemental
commands to take the study in the direction you wish. You will be building probability

1
2 Chapter 1 Discrete Probability

yourself in a kind of workshop, with Mathematica and your own insight and love of
experimentation as your most powerful tools. I caution you against depending too much on
the machine, however. Much of the time, traditional pencil, paper, and brainpower are what
you need most to learn. What the computer does, however, is open up new problems, or let
you get new insights into concepts. So we will be judiciously blending new technology with
traditionally successful pedagogy to enable you to learn effectively. Consistent themes will
be the idea of taking a sample randomly from a larger universe of objects in order to get
information about that universe, and the computer simulation of random phenomena to
observe patterns in many replications that speak to the properties of the phenomena.
The cast of characters in probability whose personalities we will explore in depth in
the coming chapters include the following six principal players: (1) Event; (2) Sample
Space; (3) Probability Measure; (4) Random Variable; (5) Distribution; and (6) Expectation.
The rest of this section will be a brief intuitive introduction to these six.
Most of the time we are interested in assessing likelihoods of events, that is, things
that we might observe as we watch a phenomenon happen. The event that a national chain's
bid to acquire a local grocery store is successful, the event that at least 10 patients arrive to
an emergency room between 6:00 and 7:00 AM, the event that a hand of five poker cards
forms a straight, the event that we hold the winning ticket in the lottery, and the event that
two particular candidates among several are selected for jury duty are just a few examples.
They share the characteristic that there is some uncertain experiment, sampling process, or
phenomenon whose result we do not know "now". But there is a theoretical "later" at which
we can observe the phenomenon taking place, and decide whether the event did or didn't
occur.
An outcome (sometimes called a simple event) is an event that cannot be broken
down into some combination of other events. A composite event is just an event that isn't
simple, that is, it has more than one outcome. For instance the event that we are dealt a poker
hand that makes up a straight is composite because it consists of many outcomes which
completely specify the hand, such as 2 through 6 of hearts, 10 through ace of clubs, etc.
This is where the sample space makes its entry: the sample space is the collection of
all possible outcomes of the experiment or phenomenon, that is all possible indecomposable
results that could happen. For the poker hand example, the sample space would consist of
all possible five-card hands. In specifying sample spaces, we must be clear about assump-
tions; for instance we might assume that the order in which the cards were dealt does not
matter, and we cannot receive the same card twice, so that the cards are dealt without
replacement.

Activity 1 How can you characterize the sample space for the grocery store example?
Make up your own random phenomenon, informally describe the sample space, and give
examples of events.
1.1 The Cast of Characters 3

Activity 2 In the emergency room example above, is the event that was described an
outcome or a composite event? If that event is composite, write down an example of an
outcome relating to that phenomenon.

In random phenomena, we need a way of measuring how likely the events are to
occur. This may be done by some theoretical considerations, or by experience with past
experiments of the same kind. A probability measure assigns a likelihood, that is a number
between 0 and 1, to all events. Though we will have to be more subtle later, for now we can
intuitively consider the extremes of 0 and 1 as representing impossibility and complete
certainty, respectively.
Much of the time in probability problems, probability measures are constructed so
that the probability of an event is the "size" of the event as a proportion of the "size" of the
whole sample space. "Size" may mean different things depending on the context, but the two
most frequent usages are cardinality, that is number of elements of a set, and length (or area
in two dimensions). For example, if you roll a fair die once, since there are six possible faces
that could land on top, the sample space is 1, 2, 3, 4, 5, 6. Since three of the faces are odd,
it seems reasonable that the probability that an odd number is rolled is 3/6. Size means
length in the following scenario. Suppose that a real number is to be randomly selected in
the interval 0, 4. This interval is the sample space for the random phenomenon. Then the
probability that the random real number will be in the interval 1, 3 is 2  4  1  2, which is
the length of the interval 1, 3 divided by the length of the whole sample space interval.
The first two chapters will concentrate on discrete probability, in which counting the
number of elements in sets is very important. We will leave much of the detail for later
sections, except to remind you of the intuitively obvious multiplication principle for
counting. If outcomes of a random experiment consist of two stages, then the total number of
outcomes of the experiment is the number of ways the first stage can occur times the number
of ways that the second can occur. This generalizes to multiple stage experiments. For
instance, if a man has 3 suits, 6 shirts, and 4 ties, and he doesn't care about color coordina-
tion and the like, then he has 3  6  4  72 possible outfits.
It is possible to experimentally estimate a probability by repeating the experiment
over and over again. The probability of the event can be estimated by the number of times
that it occurs among the replications divided by the number of replications. Try this
exercise. In the KnoxProb7`Utilities` package that you should have installed is a Mathemat-
ica command called

DrawIntegerSample[a, b, n]
4 Chapter 1 Discrete Probability

which outputs a sequence of n numbers drawn at random, without reusing numbers previ-
ously in the sequence, from the positive integers in the range a, ... , b. (You should be sure
that the package has been loaded into the ExtraPackages subdirectory within the Mathemat-
ica directory you are using on your computer.) First execute the command to load the
package, then try repeating the experiment of drawing samples of two numbers from
1, ... , 5 a large number of times. I have shown one such sample below. Keep track of how
frequently the number 1 appears in your samples. Empirically, what is a good estimate of the
probability that 1 is in the random sample of size two? Talk with a group of your classmates,
and see if you can set up a good theoretical foundation that supports your conclusion. (Try to
specify the sample space of the experiment.) We will study this type of experiment more
carefully later in this chapter. Incidentally, recall that Mathematica uses braces { } to
delineate sequences as well as unordered sets. We hope that the context will make it clear
which is meant; here the integer random sample is assumed to be in sequence, so that, for
example, 1, 3 is different from 3, 1.

Needs"KnoxProb7`Utilities`"

DrawIntegerSample1, 5, 2

1, 3

We are halfway through our introduction of the cast of characters. Often the outc-
omes of a random phenomenon are not just numbers. They may be sequences of numbers as
in our sampling experiment, or even non-numerical data such as the color of an M&M that
we randomly select from a bag. Yet we may be interested in encoding the simple events by
single numbers, or extracting some single numerical characteristic from more complete
information. For example, if we are dealt a five card hand in poker, an outcome is a full
specification of all five cards, whereas we could be interested only in the number of aces in
the hand, which is a numerical valued function of the outcome. Or, the sample space could
consist of subjects in a medical experiment, and we may be interested in the blood sugar
level of a randomly selected subject. Such a function for transforming outcomes to numerical
values is called a random variable, the fourth member of our cast of characters. Since the
random variable depends on the outcome, and we do not know in advance what will happen,
the value of the random variable is itself uncertain until after the experiment has been
observed.

Activity 3 Use DrawIntegerSample again as below to draw samples of size five from a
population of size 50. Suppose we are interested in the random variable which gives the
minimum among the members of the sample. What values of this random variable do
you observe in several replications?
1.1 The Cast of Characters 5

outcome  DrawIntegerSample1, 50, 5

X  Minoutcome

The cell below contains a command I have called SimulateMinima for observing a
number m of values of the minimum random variable from Activity 3. Read the code
carefully to understand how it works. An integer sample is drawn from the set
{1,2,...,popsize}, and then its minimum is taken. The Table command assembles a list of m
of these minima. To get an idea of the pattern of those sample minima, we plot a graph
called a histogram which tells the proportion of times among the m replications of the
experiment that the sample minimum fell into each of a given number of categories. The
Histogram command is in the kernel in Mathematica 7. Its exact syntax is

Histogram[listofdata, binspecifications, barheightspecifications]

where the latter two arguments are optional. (See the help documentation, the note in the
preface, and the appendix on Mathematica commands for version 6 of Mathematica and the
KnoxProb6`Utilities` package.) The binspecifications argument can be set to be a number
for a desired number of categories, or it can be set to a list d w for a desired category width.
The third argument can be set to "Count," "Probability," or "ProbabilityDensity," respec-
tively, to force the bar heights to be freqencies, relative frequencies, or relative frequencies
divided by category widths. One output cell is shown in Figure 1 using 100 replications, six
histogram rectangles, and using samples of size 5 from {1, ... , 50}. You should reexecute
several times to see whether your replications give similar histograms. Should they be
identical to this one? Why or why not? (If you want to suppress the list of minima and get
only the histogram, put a semicolon between the SimulateMinima and Histogram
commands.)

SimulateMinimam_, popsize_, sampsize_ :

TableMin
DrawIntegerSample1, popsize, sampsize, i, 1, m

mins  SimulateMinima100, 50, 5

Histogrammins, 6, ChartStyle  Gray
6 Chapter 1 Discrete Probability

7, 6, 4, 13, 6, 8, 2, 10, 6, 9, 2, 4, 2, 5, 1, 2, 11, 5,

3, 2, 22, 2, 8, 17, 6, 6, 13, 4, 2, 6, 15, 32, 3, 7, 15,
21, 5, 17, 2, 4, 8, 12, 7, 13, 1, 6, 28, 26, 14, 12, 3,
7, 6, 1, 12, 11, 6, 7, 17, 6, 10, 3, 3, 1, 1, 16, 7, 5,
4, 18, 6, 14, 23, 15, 18, 22, 4, 9, 9, 8, 1, 15, 4, 16,
4, 9, 16, 8, 23, 10, 1, 7, 20, 6, 10, 10, 2, 7, 18, 2

35
30
25
20
15
10
5

5 10 15 20 25 30
Figure 1.1 - Sample histogram of minimum of five values from 1, 2, ... , 50

The histogram for the sample minimum that we just saw, together with your experi-
ments, hints at a very deep idea, which is the fifth member of our cast. A random variable
observed many times will give a list of values that follows a characteristic pattern, with some
random variation. The relative frequencies of occurrence (that is the number of occurrences
divided by the number of replications) of each possible value of the random variable, which
are the histogram rectangle heights, will stabilize around some theoretical probability. Much
as a probability measure can be put on a sample space of simple events, a probability
distribution can be put on the collection of possible values of a random variable. To cite a
very simple example, if 1/3 of the applicants for a job are men and 2/3 are women, if one
applicant is selected randomly, and if we define a random variable
1 if applicant is a man
X 
0 if applicant is a woman

then the two possible values of X are 1 and 0, and the probability distribution for this X gives
probability 1/3 to value 1 and 2/3 to value 0.
The last member of our cast is expectation or expected value of a random variable.
Its purpose is to give a single number which is an average value that the random variable can
take on. But if these possible values of the random variable are not equally likely, it doesn't
make sense to compute the average as a simple arithmetical average. For example, suppose
the number of 911 emergency calls during an hour is a random variable X whose values and
probability distribution are as in the table below.
1.1 The Cast of Characters 7

value of X 2 4 6 8
probability 1  10 2  10 3  10 4  10

What could we mean by the average number of calls per hour? The simple arithmetical
average of the possible values of X is (2+4+6+8)/4 = 5, but 6 and 8 are more likely than 2
and 4, so they deserve more influence. In fact, the logical thing to do is to define the
expected value of X, denoted by E[X], to be the weighted average of the possible values,
using the probabilities as weights:
1 2 3 4 60
EX   2  4  6  8   6
10 10 10 10 10

We will be looking at all of our characters again in a more careful way later, but I
hope that the seeds of intuitive understanding have been planted. You should reread this
introductory section from time to time as you progress to see how the intuition fits with the
formality.

Exercises 1.1
1. Most state lotteries have a version of a game called Pick 3 in which you win an amount,
say $500, if you correctly choose three digits in order. Suppose that the price of a Pick 3
ticket is $1. There are two possible sample spaces that might be used to model the random
experiment of observing the outcome of the Pick 3 experiment, according to whether the
information of the winning number is recorded, or just the amount you won. Describe these
two sample spaces clearly, give examples of outcomes for both, and describe a reasonable
probability measure for both.
2. A grand jury is being selected, and there are two positions left to fill, with candidates A,
B, C, and D remaining who are eligible to fill them. The prosecutor decides to select a pair
of people by making slips of paper with each possible pair written on a slip, and then
drawing one slip randomly from a hat. List out all outcomes in the sample space of this
random phenomenon, describe a probability measure consistent with the stated assumptions,
and find the probability that A will serve on the grand jury.
3. In an effort to predict performance of entering college students in a beginning mathemat-
ics course on the basis of their mathematics ACT score, the following data were obtained.
The entries in the table give the numbers of students among a group of 179 who had the
indicated ACT score and the indicated grade.
Grade
A B C D F
23 2 5 16 31 3
ACT 24 6 8 12 15 2
25 7 10 15 6 1
26 8 15 13 4 0
8 Chapter 1 Discrete Probability

(a) A student is selected randomly from the whole group. What is the probability that this
student has a 25 ACT and received a B? What is the probability that this student received a
C? What is the probability that this student has an ACT score of 23?
(b) A student is selected randomly from the group of students who scored 24 on the ACT.
What is the probability that this student received an A?
(c) A student is selected randomly from the group of students who received B's. What is the
probability that the student scored 23 on the ACT? Is it the same as your answer to the last
question in part (a)?
4. Find the sample space for the following random experiment. Four people labeled A, B, C,
and D are to be separated randomly into a group of 2 people and two groups of one person
each. Assume that the order in which the groups are listed does not matter, only the contents
of the groups.
5. Consider the experiment of dealing two cards from a standard 52 card deck (as in black-
jack), one after another without replacing the first card. Describe the form of all outcomes,
and give two examples of outcomes. What is the probability of the event "King on 1st card?"
What is the probability of the event "Queen on 2nd card?"
6. In the Pick 3 lottery example of Exercise 1, consider the random variable X that gives the
net amount you win if you buy one ticket (subtracting the ticket price). What is the probabil-
ity distribution of X? What is the expected value of X?

a X
b 0
c
d 1
e
f

Exercise 7

7. An abstract sample space has outcomes a, b, c, d, e, and f as shown on the left in the
figure. Each outcome has probability 1/6. A random variable X maps the sample space to the
set {0,1} as in the diagram. What is the probability distribution of X? What is the expected
value of X?
1.1 The Cast of Characters 9

8. Two fair coins are flipped at random and in succession. Write the sample space explicitly,
and describe a reasonable probability measure on it. If X is the random variable that counts
the number of heads, find the probability distribution of X and compute the expected value
of X.
9. Using the data in Exercise 3, give an empirical estimate of the probability distribution of
the random variable X that gives the ACT score of a randomly selected student. What is the
expected value of X, and what is its real meaning in this context?
10. (Mathematica) Use the DrawIntegerSample command introduced in the section to build
a command that draws a desired number of samples, each of a desired size, from the set
1, 2, ..., popsize. For each sample, the command appends the maximum number in the
sample to a list. This list can be used to create a histogram of the distribution of maxima.
Repeat the experiment of taking 50 random samples of size 4 from 1, 2, ... , 7 several
times. Describe in words the most salient features of the histograms of the maximum. Use
one of your replications to give an empirical estimate of the probability distribution of the
maximum.
11. (Mathematica) The command SimulateMysteryX[m] illustrated below will simulate a
desired number m of values of a mystery random variable X. First load the KnoxProb7`Utili-
ties` package, then run the command several times using specific numerical values for m.
Try to estimate the probability distribution of X and its expected value.

SimulateMysteryX 10

12. (Mathematica) Write a command in Mathematica which can take as input a list of pairs
 pi , xi  in which a random variable X takes on the value xi with probability pi and return the
expectation of X. Test your command on the random variable whose probability distribution
is in the table below.
value of X 0 1 2 3
probability 1  4 1  2 1  8 1  8

13. Two flights are selected randomly and in sequence from a list of departing flights
covering a single day at an airport. There were 100 flights in the list, among which 80
departed on time, and 20 did not. Write a description of the sample space of the experiment
of selecting the two flights, and use the multiplication principle to count how many elements
the sample space has. Now let X be the number of flights in the sample of two that were
late. Find the probability distribution of X .
10 Chapter 1 Discrete Probability

1.2 Properties of Probability

We will begin this section with examples of the concrete construction of probability
measures for sample spaces with finitely many outcomes. With our feet on good intuitive
ground, we will then be ready to set up a formal axiom system which permits rigorous proof
of some important properties of probability. This is the way that most mathematical research
actually proceeds: from concrete to abstract rather than the other way around.
Example 1 If, as we said in Section 1.1, a probability measure gives likelihood to events,
then at its most basic level it gives likelihood to simple events, that is, outcomes. As an
example, I recently saw a breakdown of advanced placement scores for Illinois 12th graders
on the subject test in English Language and Composition. Scores range from 1 to 5, and the
numbers of test takers in these categories for the particular year I looked at were: 1: 74, 2:
293, 3: 480, 4: 254, 5: 130, for a total of 1231 students. Consider first the random experi-
ment of drawing a student at random from this group and observing the test score.

1
3
5

Figure 1.2 - Sampling from a discrete population

There are 5 possible outcomes, namely, the scores 1-5. We can think of the experi-
ment of randomly sampling a student score as spinning the arrow on the pie chart of Figure
2, which has been constructed so that the angles of the circular wedges are proportional to
the frequencies in the categories that were listed in the last paragraph.
This example illustrates several important features of the subject of probability.
First, there is an underlying physics that drives the motion and final resting position of the
arrow. But differences in the starting point, the angular momentum imparted to the arrow,
and even slight wind currents and unevenness of the surface of the spinner give rise to a non-
deterministic or random phenomenon. We cannot predict with certainty where the arrow
will land. It could be philosophically argued that if we knew all of these randomizing factors
perfectly, then the laws of physics would perfectly predict the landing point of the arrow, so
that the phenomenon is not really random. Perhaps this is true in most, if not all, phenomena
that we call random. Nevertheless, it is difficult to know these factors, and the ability to
measure likelihoods of events that we model as random is useful to have.
1.2 Properties of Probability 11

Second, this example shows the two main ways of arriving at an assignment of
probabilities. We might make simplifying assumptions which lead to a logical assignment of
probability. Or we might repeat the experiment many times and observe how frequently
events occur. We were fortunate enough here to have the background data from which our
spinner was constructed, which would indicate by simple counting that if the spinner was
truly spun "randomly" we should assign probabilities
74 293 480 254 130
P1  , P2  , P3  , P4  , P5  (1)
1231 1231 1231 1231 1231
to the five outcomes. But step back for a moment and consider what we would have to do
with our spinner if we weren't blessed with the numbers. We would have no recourse but to
perform the experiment repeatedly. If, say, 1000 spins produced 70 1's, then we would
estimate P[1] empirically by 70  1000  .07, and similarly for the other outcomes.
Third, we can attempt to generalize conclusions. This data set itself can be thought
of as a sort of repeated spinning experiment, in which each student represents a selection
from a larger universe of students who could take the test. The probabilities in formula (1),
which would be exact probabilities for the experiment of selecting one student from this
particular batch, become estimates of probabilities for a different experiment; that of
selecting 1231 students from the universe of all students, past and present, who could take
the test. Whether our particular data set is a "random" sample representing that universe
without bias is a very serious statistical question, best left for a statistics course with a good
unit on samples and surveys.
Using the probabilities in (1), how should probability be assigned to composite
events like "1 or 3?" The logical thing to do is to pool together the probabilities of all
outcomes that are contained in the composite event. Then we would have
74 480 554
P1 or 3  P1  P3    (2)
1231 1231 1231
So the probability of an event is the total of all probabilities of the outcomes that make up
the event.
Two implications follow easily from the last observation: the empty event  which
contains no outcomes has probability zero. Also, the event that the spinner lands somewhere
is certain, that is, it has probability 1 (100%). Another way to look at it is that the sample
space, denoted by  say, is the composite event consisting of all outcomes. In this case we
have:
P  P1 or 2 or 3 or 4 or 5
 P1  P2    P5
74 293 130 (3)
    
1231 1231 1231
 1
12 Chapter 1 Discrete Probability

In summary, so far we have learned that outcomes can be given probabilities between
0 and 1 using theoretical assumptions or empirical methods, and probabilities for composite
events are the totals of the outcome probabilities for outcomes in the event. Also P  0
and P  1. Try the following activity, which suggests another property. You will learn
more about that property shortly.

Activity 1 For the spinner experiment we looked at P[1 or 3]. Consider now the two
events "at least 3" and "between 1 and 3 inclusive." What is the probability of the event
"at least 3" or "between 1 and 3 inclusive"? How does this probability relate to the
individual event probabilities? Can you deduce a general principle regarding the
probability of one event or another occurring?

Sometimes we are interested in the set theoretic complement of an event, i.e., the
event that the original event does not occur. Does the probability of the complementary
event relate to the probability of the event? For the spinner, look at the events "at least 3"
and "less than 3," which are complements. We have, using formula (1):
480 254 130 864
Pat least 3  P3 or 4 or 5    
1231 1231 1231 1231
(4)
74 293 367
Pless than 3  P1 or 2   
1231 1231 1231
Notice that the two probabilities add to one, that is for these two events E and Ec :
PE  PEc   1 (5)

This is not a coincidence. Together E and Ec contain all outcomes, and they have no
outcomes in common. The total of their probabilities must therefore equal 1, which is the
probability of the sample space. 
Example 2. Let's look at another random phenomenon. Recall from Section 1.1 the
experiment of selecting a sequence of two numbers at random from the set 1, 2, 3, 4, 5
with no repetition of numbers allowed. Such an ordered selection without replacement is
known as a permutation, in this case a permutation of 2 objects from 5. Mathematica can
display all possible permutations as follows. The command

KPermutations[list, k]

in the KnoxProb7`Utilities` package returns a list of all ordered sequences of length k from
the list given in its first argument, assuming that a list member, once selected, cannot be
selected again.
1.2 Properties of Probability 13

Needs"KnoxProb7`Utilities`"

KPermutations1, 2, 3, 4, 5, 2

1, 2, 2, 1, 1, 3, 3, 1, 1, 4, 4, 1,
1, 5, 5, 1, 2, 3, 3, 2, 2, 4, 4, 2, 2, 5,
5, 2, 3, 4, 4, 3, 3, 5, 5, 3, 4, 5, 5, 4

LengthKPermutations1, 2, 3, 4, 5, 2

20

As the Length output reports, there are 20 such permutations. These 20 are the outcomes that
form the sample space of the experiment. The randomness of the drawing makes it quite
reasonable to take the theoretical approach to assigning probabilities. Each outcome should
have the same likelihood. Since the total sample space has probability 1, the common
likelihood of the simple events, say x, satisfies
x  x    x 20 times  1  20 x  1  x  1  20 (6)

In other words, our probability measure on the sample space is defined on outcomes as:
P1, 2  P2, 1  P1, 3    P5, 4  1  20 (7)

and for composite events, we can again total the probabilities of outcomes contained in them.

Activity 2 In the example of selecting two positive integers from the first five, find the
probability that 1 is in the sample. Explain why your result is intuitively reasonable.

For instance,
Peither 1 or 2 is in the sample
 P1, 2, 2, 1, 1, 3, 3, 1, 1, 4, 4, 1, 1, 5, 5, 1,
2, 3, 3, 2, 2, 4, 4, 2, 2, 5, 5, 2
 14  20

and
P2 is not in sample
 P1, 3, 3, 1, 1, 4, 4, 1, 1, 5, 5, 1, 3, 4, 4, 3, 3, 5,
5, 3, 4, 5, 5, 4
 12  20
14 Chapter 1 Discrete Probability

By counting outcomes you can check that P[2 is in sample] = 8/20, which is complementary
to P[2 is not in sample] = 12/20 from above. Also notice that
8
P1 in sample   P2 in sample
20
however,
14 8 8
P1 in sample or 2 in sample   
20 20 20
We see that the probability of the event "either 1 is in the sample or 2 is in the sample" is not
simply the sum of the individual probability that 1 is in the sample plus the probability that 2
is in it. The reason is that in adding 8  20  8  20 we let the outcomes 1, 2 and 2, 1
contribute twice to the sum. This overstates the true probability, but we now realize that it is
easy to correct for the double count by subtracting 2  20 which is the amount of probability
contributed by the doubly counted outcomes. (See Theorem 2 below.) 

Activity 3 Use Mathematica to display the ordered samples of size 3 without replace-
ment from 1, 2, 3, 4, 5, 6. What is the probability that 1 is in the sample? What is the
probability that neither 5 nor 6 is in the sample?

Armed with the experience of our examples, let us now develop a mathematical
model for probability, events, and sample spaces that proceeds from a minimal set of axioms
to derive several of the most important basic properties of probability. A few other properties
are given in the exercises.
Definition 1. A sample space  of a random experiment is a set whose elements Ω are
called outcomes.
Definition 2 below is provisional we will have to be more careful about what an
event is when we come to continuous probability.
Definition 2. An event A is a subset of the sample space , hence an event is a set of
outcomes. The collection of all events is denoted by .
Suppose for example we consider another sampling experiment in which three letters
are to be selected at random, without replacement and without regard to order from the set of
letters a, b, c, d. The Combinatorica` package in Mathematica (which is loaded automati-
cally when you load KnoxProb7`Utilities`) has the commands

KSubsets[list, k] and Subsets[universe]

which, respectively, return all subsets of size k taken from the given list of objects, and all
subsets of the given universal set. We can use these to find the sample space of the experi-
ment, and the collection of events :
1.2 Properties of Probability 15

  KSubsetsa, b, c, d, 3

a, b, c, a, b, d, a, c, d, b, c, d

  Subsets

, a, b, c, a, b, d, a, c, d,

b, c, d, a, b, c, a, b, d, a, b, c, a, c, d,
a, b, c, b, c, d, a, b, d, a, c, d,
a, b, d, b, c, d, a, c, d, b, c, d,
a, b, c, a, b, d, a, c, d, a, b, c, a, b, d, b, c, d,
a, b, c, a, c, d, b, c, d, a, b, d, a, c, d, b, c, d,
a, b, c, a, b, d, a, c, d, b, c, d

Notice that the empty set  is the first subset of  that is displayed; next are the simple
events a, b, c, a, b, d etc.; next are the two element composite events; and so forth.
In all subsequent work we will continue a practice that we have done so far, which is
to blur the distinction between outcomes Ω, which are members of the sample space, and
simple events Ω which are sets consisting of a single outcome. This will enable us to speak
of the "probability of an outcome" when in fact probability is a function on events, as seen in
the next definition.
Definition 3. A probability measure P is a function taking the family of events  to the real
numbers such that
(i) P  1;
(ii) For all A , P[A] 0;
(iii) If A1 , A2 ,  is a sequence of pairwise disjoint events then
P[A1 A2   = PAi 
i

Properties (i), (ii), and (iii) are called the axioms of probability. Our mathematical
model so far corresponds with our intuition: a random experiment has a set of possible
outcomes called the sample space, an event is a set of these outcomes, and probability
attaches a real number to each event. Axiom (i) requires the entire sample space to have
probability 1, axiom (ii) says that all probabilities are non-negative numbers, and axiom (iii)
says that when combining disjoint events, the probability of the union is the sum of the
individual event probabilities. For finite sample spaces this axiom permits us to just define
probabilities on outcomes, and then give each event a probability equal to the sum of its
(disjoint) outcome probabilities. We will encounter various ways of constructing probability
measures along the way, which we must verify to satisfy the axioms. Once having done so,
other properties of probability listed in the theorems below are ours for free. They follow
from the axioms alone, and not from any particular construction, which of course is the huge
advantage of basing a mathematical model on the smallest possible collection of axioms.
16 Chapter 1 Discrete Probability

Theorem 1. If A is an event with complement Ac , then

PA  PAc   1 (8)

Therefore, PA  1 PAc  and PAc   1 PA.

Proof. The events A and Ac are pairwise disjoint, by definition of complementation. By the
third axiom,
PA Ac   PA  PAc 

Also, A Ac = . By the first axiom, P  1, therefore

1  P  PA Ac   PA  PAc  

Theorem 1 was anticipated earlier. It is generally used in cases where the comple-
ment of an event of interest is easier to handle than the original event. If we have the
probability of one of the two, then we have the other by subtracting from 1.
The next result is based on the idea that the total probability of a union can be found
by adding the individual probabilities and correcting if necessary by subtracting the probabil-
ity in the double-counted intersection region.


A B

A B

Figure 1.3 - The probability of a union is the total of the event probabilities minus the intersection probability

Theorem 2. If A and B are arbitrary events, then

PA B  PA  PB PA B (9)

In particular if A and B are disjoint, then

PA B  PA  PB

Proof. (See Figure 3.) Since A can be expressed as the disjoint union A = (A B)
A Bc , and B can be expressed as the disjoint union B  A B B Ac we have, by
axiom (iii),
PA  PB  PA B  PA Bc   PA B  PB Ac 
 PA Bc   PB Ac   2 PA B

Therefore,
1.2 Properties of Probability 17

PA  PB PA B  PA Bc   PB Ac   PA B (10)

But it is easy to see from Figure 3 that the events (A Bc ), (B Ac ), and A B are
pairwise disjoint and their union is A B. Thus, by axiom (iii) of probability again,
PA Bc   PB Ac   PA B  PA B (11)

Combining (10) and (11) proves the first assertion. The second assertion follows directly as
a specialization of axiom (iii) to two events. Alternatively, if A and B are disjoint, then
A B   and by Exercise 11, P  0. 

Activity 4 Try to devise an analogous thoerem to Theorem 2 for a three set union.
(Hint: if you subtract all paired intersection probabilities, are you doing too much?) See
Exercise 14 for a statement of the general result.

You may be curious that the axioms only require events to have non-negative
probability. It should also be clear that events must have probability less than or equal to 1,
because probability 1 represents certainty. In the exercises you are asked to give a rigorous
proof of this fact, stated below as Theorem 3.
Theorem 3. For any event A, P[A] 1. 
Another intuitively obvious property is that if an event B has all of the outcomes in it
that another event A has, and perhaps more, then B should have higher probability than A.
This result is given as Theorem 4, and the proof is Exercise 12.
Theorem 4. If A and B are events such that A  B, then P[A] P[B]. 
Theorems 3 and 4 help to reassure us that our theoretical model of probability
corresponds to our intuition, and they will be useful in certain proofs. But Theorems 1 and 2
on complements and unions are more useful in computations. We would like to finish this
section by adding a third very useful computational result, usually called the Law of Total
Probability. Basically it states that we can "divide and conquer," that is break up the
computation of a complicated probability P[A] into a sum of easier probabilities of the form
P[A B]. The imposition of condition B in addition to A presumably simplifies the computa-
tion by limiting or structuring the outcomes in the intersection. (See Figure 4.) All of our
computational results will be used regularly in the rest of the text, and the exercise set for
this section lets you begin to practice with them.
18 Chapter 1 Discrete Probability

B1 B2 ... Bn
A

Figure 1.4 - The Law of Total Probability

Theorem 5. Let A be an arbitrary event, and assume that B1 , B2 , B3 , … , Bn is a partition

of the sample space , that is, the sets Bi are pairwise disjoint and ni1 Bi  . Then,
n
PA   PA Bi  (12)
i1

Proof. We will use induction on the number of events Bi beginning with the base case n =
2. In the base case, it is clear that B2 = Bc1 , and therefore A  A B1 A Bc1 and the two
sets in this union are disjoint. By Theorem 2,
PA  PA B1   PA Bc1   PA B1   PA B2 

The anchor step of the induction is complete.

Now assume that for all partitions consisting of n events formula (12) is true. Let
B1 , B2 , B3 , … , Bn1 be a partition of n  1 events; we must show (12) with the upper
index of summation replaced by n  1. Define the events Ci by:
C1  B1 , C2  B2 ,  , Cn 1  Bn 1 , Cn  Bn Bn1

Then the Ci 's are also a partition of  (see Activity 5 below). By the inductive hypothesis
PA  ni1 PA Ci 
 ni11 PA Bi   PA Bn Bn1 
 ni 11 PA Bi   P A Bn A Bn1  (13)
 ni11 PA Bi   PA Bn   PA Bn1 
 n1
i1 PA Bi 

This finishes the inductive step of the proof. 

Activity 5 Why are the Ci 's in the proof of the Law of Total Probability a partition of 
? Why is the fourth line of (13) true?
1.2 Properties of Probability 19

Exercises 1.2
1. Consider the experiment of rolling one red die and two white dice randomly. Observe the
number of the face that lands up on the red die and the sum of the two face up numbers on
the white dice.
(a) Describe the sample space, giving the format of a typical outcome and two specific
examples of outcomes.
(b) Define a probability measure on this sample space. Argue that it satisfies the three
axioms of probability.
red die
1 2 3 4 5 6
2 3b
3 2b 1b
4 1b
5 1b 2b
6 1b
white sum
7 1b HR
8 1b 1b
9 2b 1b
10 1b
11 1b 1b
12 2 b
Exercise 2

2. This is a continuation of Exercise 1. A simulated baseball game is played in such a way

that each batter has a card like the one shown in the figure. One red die and two white dice
are rolled. The outcome of the batter's plate appearance is decided by finding the column
corresponding to the red die and the row corresponding to the sum of the white dice. The
entry in that row and that column could be a base hit (1b), a double (2b), a triple (3b), a
home run (HR) or a blank, which would mean that the batter is out. For the batter shown,
what is the probability that he will get a hit of any kind? If you were designing such a card to
simulate a hitter who historically hits about a home run every 20 plate appearances, where
would you place HR symbols on the card?
3. On a driver's education test there are three questions that are considered most important
and most difficult. The questions are multiple choice, with four alternative answers labeled
a, b, c, and d on each question. Exactly one answer is correct for each question. A test taker
guesses randomly on these three questions.
(a) Describe the sample space, giving the format of a typical outcome and two specific
examples of outcomes.
20 Chapter 1 Discrete Probability

(b) Define a probability measure on this sample space. Argue that it satisfies the three
axioms of probability.
(c) What is the probability that the random guesser gets at least two questions right?
4. (Mathematica) Use Mathematica to display the sample space of all possible random
samples without order and without replacement of three names from the list of names {Al,
Bubba, Celine, Delbert, Erma}. How many events are in the collection of all events  ?
Describe a probability measure for this experiment, and find the probability that either
Bubba or Erma is in the sample.
5. Explain why each of the following attempts P1 and P2 is not a good definition of a
probability measure on the space of outcomes  = {a, b, c, d, e, f, g}.
P1 P2
a .12 .16
b .05 .20
c .21 .20
d .01 .12
e .04 .08
f .28 .15
g .13 .12

6. (Mathematica) Use Mathematica to display the sample space of all possible random
samples in succession and without replacement of two numbers from the set 1, 2, ..., 10.
Describe a probability measure, and find the probability that 10 is not in the sample.
7. A 1999 Internal Revenue Service study showed that 44.9 million U.S. taxpayers reported
earnings of less than $20,000, 20.4 million earned between $20,000 and $30,000, 16.2
million earned between $30,000 and $40,000, 41.9 million earned between $40,000 and
$100,000, and 10.5 million earned more than $100,000.
(a) Write the outcomes for the experiment of sampling one taxpayer at random, and define
a probability measure. In such a random sample of one taxpayer, what is the probability that
the reported earnings is at least $30,000?
(b) Write the outcomes for the experiment of sampling two taxpayers at random and with
replacement, that is, once a taxpayer has been selected that person goes back into the pool
and could be selected again. Define a probability measure. (Hint: for a succession of two
events which do not depend on one another, it makes sense to compute the probability that
they both occur as the product of their probabilities. You can convince yourself of this by
considering a very simple experiment like the flip of two coins.) Find the probability that at
least one of the two earned more than $100,000.
1.2 Properties of Probability 21

x,y
2 1 1 2

Exercise 8

8. Suppose that a point with random x and y coordinates in  2, 2 is selected. By this we

mean that the probability that the random point lies in a region R inside the square is the
proportion of the square's area that R has.
(a) Argue that this means of defining a probability measure on the square  2, 2   2, 2
satisfies the axioms of probability.
(b) Find the probability that the random point will be in the third quadrant.
(c) Find the probability that the random point is not in the circle of radius 2 shown in the
picture.
(d) Find the probability that the random point is either in the third quadrant or not in the
circle of radius 2.
9. If A and B are events such that P[A B] = .24, P[A] = .61, and P[B] = .37, find
P[ A B c ].
10. Prove Theorem 3.
11. Prove that P  0.
12. Prove Theorem 4.
13. List out all events for the sample space  = Ω1 , Ω2 , Ω3 . Find the probability of each
simple event if P[Ω1 , Ω2 ] = .6, P[Ω2 , Ω3 ] = .8, and P[Ω1 , Ω3 ] = .6.
14. Prove that for arbitrary events A, B, and C:
PA B C  PA  PB  PC
PA B  PA C  PB C  PA B C

15. The general result for the probability of a union, which has Theorem 2 and Exercise 14
as special cases, is called the law of inclusion and exclusion. Let A1 , A2 , A3 , ..., An be a
collection of n events. To simplify notation, let Aij stand for a typical intersection of two of
them Ai A j , let Aijk stand for a three-fold intersection Ai Aj Ak , etc. The law states that
22 Chapter 1 Discrete Probability

PA1 A2 A3 ... An 
 PAi  PAij   PAijk  
i i j i  j k
n1
 1 PA1 A2 A3 ... An 

In other words, one alternately adds and subtracts all k-fold intersection probabilities as k
goes from 1 to n. Use this result in the following classical problem. Four men leave their
hats at a hat check station, then on departing take a hat randomly. Find the probability that
at least one man takes his own hat.
16. Recall Exercise 5 of Section 1.1 (the blackjack deal). Use the Law of Total Probability,
Theorem 5, to find P[queen on 2nd] in a well-justified way.
17. There are two groups of experimental subjects, one with 2 men and 3 women and the
other with 3 men and 2 women. A person is selected at random from the first group and
placed into the second group. Then a person is randomly selected from the second group.
Use the Law of Total Probability to find the probability that the person selected from the
second group is a woman.
In this book we will include as appropriate problems taken from the list of sample
questions for the Society of Actuaries/Casualty Actuarial Society qualifying exam P
(Probability). These problems have been obtained with permission from the societies at the
website www.soa.org/files/pdf/P-09-05ques.pdf.
Sample Problems from Actuarial Exam P
18. The probability that a visit to a primary care physician's (PCP) office results in neither
lab work nor referral to a specialist is 35%. Of those coming to a PCP's office, 30% are
referred to specialists and 40% require lab work. Determine the probability that a visit to a
PCP's office results in both lab work and referral to a specialist.
19. An urn contains 10 balls: 4 red and 6 blue. A second urn contains 16 red balls and an
unknown number of blue balls. A single ball is drawn from each urn. The probability that
both balls are the same color is 0.44. Calculate the number of blue balls in the second urn.
20. An auto insurance company has 10,000 policyholders. Each policyholder is classified as:
(i) young or old; (ii) male or female; and (iii) married or single. Of these policyholders, 3000
are young, 4600 are male, and 7000 are married. The policyholders can also be classified as
1320 young males, 3010 married males, and 1400 young married persons. Finally, 600 of
the policyholders are young married males. How many of the company's policyholders are
young, female, and single?
21. An insurer offers a health plan to the employees of a large company. As part of this plan,
the individual employees may choose exactly two of the supplementary coverages A, B, and
C, or they may choose no supplementary coverage. The proportions of the company's
employees that choose coverages A, B, and C are 1/4, 1/3, and 5/12 respectively. Determine
the probability that a randomly chosen employee will choose no supplementary coverage.
1.3 Simulation 23

1.3 Simulation
To simulate means to reproduce the results of a real phenomenon by artificial means.
We are interested here in phenomena that have a random element. What we really simulate
are the outcomes of a sample space and/or the states of a random variable in accordance with
the probability measure or distribution that we are assuming. Computers give a fast and
convenient way of carrying out these sorts of simulations.
There are several reasons to use simulation in problems. Sometimes we do not yet
have a good understanding of a phenomenon, and observing it repeatedly may give us
intuition about a question related to it. In such cases, closed form analytical results might be
derivable, and the simulation mostly serves the purpose of suggesting what to try to prove.
But many times the system under study is complex enough that analysis is either very
difficult or impossible. (Queueing problems  see Section 6.3  are good illustrations of
both situations.) Then simulation is the only means of getting approximate information, and
the tools of probability and statistics also allow us to measure our confidence in our conclu-
sions. Another reason to simulate is somewhat surprising. In some inherently non-probabilis-
tic problems we can use a simulated random target shooting approach to gain information
about physical measurements of size and shape. A simple example of such a problem
solving method (traditionally called Monte Carlo simulation in reference to the European
gaming center) is the example on area of a region in Exercise 8.
I have chosen to give the subject emphasis and early treatment in this book for
another reason. There is more at stake for you intellectually than gaining intuition about
systems by observing simulations. Building an algorithm to solve a problem by simulation
helps to teach you about the subtle concepts of the subject of probability, such as probability
measures and random variables. Thus, here and elsewhere in this book I will be asking you
to carefully study the details of programs I have written, and to write some simulation
programs in Mathematica yourself. You will invest some time and mental effort, but the
payoff will be great.
We have already experienced simulation in the form of selecting ordered samples
without replacement of two numbers from the set 1, 2, 3, 4, 5. In that context we looked
at the empirical histogram of the minimum of the two numbers. We will treat simulations of
samples again in more detail in the next section. For the time being let us see how to use
Mathematica's tools for generating streams of random numbers to solve problems.
Most of the kind of simulations that we will do are adaptations of the simple process
of choosing a random real number in the interval 0, 1. The word "random" here could be
replaced by the more descriptive word "uniform," because the assumption will be that
probability is distributed uniformly through 0, 1, with sets getting large probability only if
their size is large, not because they happen to be in some favored location in 0, 1. More
precisely, we suppose that the sample space of the random experiment is  = 0, 1, the
collection of events  consists of all subsets of 0, 1 for which it is possible to define their
24 Chapter 1 Discrete Probability

length, and the probability measure P gives probability to a set equal to its length. Then for
instance:
1 3 1 1 2 1 1 7
P 0, 1   1, P ,    , P 0,    , 1     ,
2 4 4 4 3 4 3 12
5
P   0
6

Activity 1 Try to describe a uniform distribution of probability on the interval [2,5].

What would be the probability associated to the event [2,3]? [9/4, 13/4]  (4,5]? {2.5}?

In Mathematica's kernel there are several probability distribution objects, including

one for the uniform distribution, and also a means of sampling one or more random numbers
from a distribution. Fittingly,

UniformDistribution[{a,b}]

is the syntax for the uniform distribution on the interval [a,b], and

RandomReal[distribution] and RandomReal[distribution, n]

return, respectively, one or a list of n random numbers from the given distribution. Here are
some examples of their use.

dist  UniformDistribution2, 5;

RandomRealdist
RandomRealdist
RandomRealdist, 5

4.42891

2.00398

2.14133, 2.06261, 3.20962, 3.47772, 3.93109

Notice that new random numbers in 2, 5 are returned each time that RandomReal is called.
Incidentally, RandomReal may be used with an empty argument when the distribution being
sampled from is the uniform distribution on 0, 1, which is what we will usually need.
How do Mathematica and other programs obtain such random numbers? There are
several means that are possible, but the most common type of random number generator is
the linear congruential generator which we describe now. The ironic fact is that our
supposedly random stream of numbers is only simulated in a deterministic fashion in such a
1.3 Simulation 25

way as to be indistinguishable statistically from a list of truly random numbers. Because of

this, the stream of numbers is called pseudo-random. The algorithm is as follows. Begin with
a single non-negative integer called a seed. (Computers can use internal contents such as
collections of digits in their clocks as seeds, which change frequently.) To get the first
pseudo-random number, compute a new value of the seed by:
new value of seed  multiplier  seed  increment mod modulus (1)

where multiplier, increment, and modulus are positive integer constants. Then, using the
newly computed seed, return the number
rand  seed modulus (2)

Subsequent random numbers are found in the same way, updating seed by formula (1) and
dividing by modulus. Notice that because the initial seed is non-negative and all of the
constants are positive, seed will stay non-negative, which makes rand  0 as well. And since
the mod operation returns a value less than modulus, seed will be less than modulus, hence
rand will be less than 1. So each pseudo-random number that we produce will lie in [0, 1).
Now the larger the value of modulus, the more possible values of seed there can be;
hence, the more real numbers that can be returned when formula (2) is applied. In fact, there
would be exactly modulus number of possible seed values. But modulus, multiplier, and
increment must be carefully chosen to take advantage of this, otherwise, the sequence of
pseudo-random numbers could cycle with a very small period. As a simple example, if the
constants were as follows:
new seed  2  seed  2 mod 8

then possible seed values are 0, 1, 2, 3, 4, 5, 6, and 7, but it is easy to check that for these
seeds the new seeds are, respectively, 2, 4, 6, 0, 2, 4, 6, 0, so that after the first value of seed,
subsequent seeds can only take on one of four values. Even worse, should seed ever equal 6,
then new seeds will continue to be 6 forever, because (2 × 6 + 2) mod 8 is again 6.
Therefore, the choice of the constants is critical to making a stream of numbers that
has the appearance of randomness. There is a lot of number theory involved here which we
cannot hope to cover. The book by Rubinstein (see References) gives an introduction. It is
reported there that the values
multiplier  27  1, increment  1, modulus  235
have been successful, but these are not the only choices. We can build our own function
similar to the RandomReal command in Mathematica to generate a list of uniform[0,1]
numbers using these values as follows.
26 Chapter 1 Discrete Probability

MyRandomArrayinitialseed_, n_ :
Moduleseed, rand, thearray, mult, inc, modul, i,
mult  27  1;
inc  1;
modul  235 ;
thearray  ;
seed  initialseed;
Doseed  Modmult  seed  inc, modul;
rand  N seed  modul;
AppendTothearray, rand, i, 1, n;
thearray

The module begins with the list of local variables used in the subsequent lines, and sets the
values above for the multiplier, here called mult, the increment inc, and the modulus modul.
After initializing an empty list of random numbers and setting the initial value of seed
according to the input initialseed, the module enters a loop. In each of the n passes through
the loop, three things are done. The seed is updated by the linear congruence relation (1), the
new random number rand is computed by formula (2), and then rand is appended to the
array of random numbers. Here is a sample run. You should try running the command again
with the same initial seed to see that you get the same sequence of pseudo-random numbers,
then try a different seed.

MyRandomArray224  19, 10

0.0629884, 0.125497, 0.189176, 0.403682, 0.0749859,

0.673181, 0.840295, 0.398108, 0.355958, 0.918557

Activity 2 Revise the random number generating command above using the following
constants, taken from a popular computer science text.

multiplier = 25173 increment = 13849 modulus = 65536

Use the command Histogram[datalist,numrectangles] to plot a histogram of 50 random

numbers using 4 rectangles. Do you see what you expected?

One advantage to the pseudo-random approach is that simulation experiments are

reproducible. If one starts with the same seed, then the same stream of random numbers will
ensue, which will produce the same experimental results. This is advantageous because you
may want to compare the performance of similar systems using the same random inputs to
1.3 Simulation 27

ensure fairness. Mathematica permits this by using the command

SeedRandom[n]

which sets the initial seed value as the integer n. If you use an empty argument to SeedRan-
dom, it resets the seed using the computer's clock time. In the sequence of commands below,
the seed is set to 79, two random numbers are generated, then the seed is reset to 79, and the
same random number .624058 is returned as was returned the first time. We then reset the
seed "randomly" using the computer clock, and the first random number that is returned is
something other than .624058.

SeedRandom79;
RandomReal
RandomReal

0.624058

0.782677

SeedRandom79;
RandomReal

0.624058

SeedRandom;
RandomReal

0.295358

Activity 3 Perform a similar test with SeedRandom using a seed of 591 and requesting
a RandomReal[UniformDistribution[{0,1}], 5]. Reset the seed by computer clock time
and call for another random list of five numbers to see that different random numbers are
returned.

Example 1 It is time to build a simulation model for an actual system. A random walk on
the line is a random process in which at each time instant 0, 1, 2, … an object occupies a
point with integer coordinates shown as circled numbers in Figure 5.
28 Chapter 1 Discrete Probability

1 p 1 p 1 p 1 p 1 p
0 p
1 p
2 p
3 p
4 p
5
Figure 1.5 - Schematic diagram of a random walk

The position on the line cannot be foretold with certainty, but it satisfies the condition that if
the position is n at one time instant, then it will either be n  1 with probability p or n  1
with probability 1  p at the next time instant, as indicated by the annotated arrows in the
figure. Variations are possible, including allowing the object to wait at its current position
with some probability, enforcing boundary behavior such as absorption or reflection to
confine the random walk to a bounded interval, and increasing the dimension of the set on
which the random walk moves to 2, 3, or higher. Random walks have been used as models
for diffusion of heat, the motion of economic quantities such as stock prices, the behavior of
populations, and the status of competitive games among many other applications, and their
fascinating properties have kept probabilists busy for many decades.
For our purposes suppose we are interested in estimating the probability that a
random walk which starts at a point n  0 reaches a point M  n before it reaches 0. This is a
famous problem called the gambler's ruin problem, which really asks how likely it is that a
gambler's wealth that follows a random walk reaches a target level of M before bankruptcy.
We have an initial position n followed by a sequence of random positions X1 , X2 , X3 ,
… . The underlying randomness is such that at each time a simple random experiment
determines whether the move is to the right (probability p) or the left (probability 1  p). So
to simulate the random walk we only need to be able to iteratively simulate the simple
experiment of adding 1 to the current position with probability p and subtracting 1 with
probability 1  p. We will stop when position 0 or position M is reached, and make note of
which of the two was the final position. By running such a simulation many times and
observing the proportion of times that the final state was M, we can estimate the probability
that the final state is M.
To implement the plan in the preceding paragraph, we need a way of randomly
returning +1 with probability p and 1 with probability 1  p. But since we know how to
simulate uniform real random numbers on [0,1], and the probability of an interval is equal to
its length, let's say that if a simulated uniform random number is less than or equal to p then
the result is +1, otherwise 1. Then we have the desired properties of motion, because
Pmove right  P 0, p   length  0, p   p
Pmove left  P p, 1   length p, 1   1  p
Here is a Mathematica function that does the job. A uniform random number is
selected and compared to p. If the  comparison is true, then +1 is returned, else 1 is
returned. So that we can simulate random walks with different p values, we make p an
argument. One function call with p = .5 is displayed; you should try a few others.
1.3 Simulation 29

StepSizep_ : IfRandomReal  p, 1,  1

StepSize.5

1

To simulate the process once, we let the initial position n be given, as well as the
right step probability p and the boundary point M. We repeatedly move by the random
StepSize amount until the random walk reaches 0 or M. The function below returns the
complete list of states that the random walk occupied. Look carefully at the code to see how
it works. The variable statelist records the current list of positions occupied by the random
walk, the variable done becomes true when either the boundary 0 or M is reached, and
variables currstate and nextstate keep track of the current and next position of the random
walk. (The || syntax means logical "or.")

SimulateRandomWalkp_, n_, M0_ :

Modulestatelist, done, currstate, nextstate,
statelist  n;
currstate  n;
done  currstate  0 currstate  M0 ;
WhileNotdone,
nextstate  currstate  StepSizep;
AppendTostatelist, nextstate;
currstate  nextstate;
done  currstate  0 currstate  M0 ;
statelist

Below is an example run of the command. We include a list plot of the sequence of
positions to help your understanding of the motion of the random walk. You should rerun
this command, changing parameters as desired to get more intuition about the behavior of
the random walk. A more systematic investigation is suggested in Exercise 6. We set a
random seed first for reproducibility, but if you are in the electronic version of the book and
want to see different paths of the random walk, just delete the SeedRandom command.

SeedRandom464 758;
thewalk  SimulateRandomWalk0.5, 4, 8
ListPlotthewalk,
PlotStyle  PointSize0.015, Black
30 Chapter 1 Discrete Probability

4, 5, 4, 5, 6, 7, 6, 5, 4, 5, 6, 5, 6,
5, 4, 5, 6, 5, 6, 5, 4, 3, 4, 3, 2, 1, 2, 3,
4, 5, 6, 5, 4, 3, 4, 3, 4, 3, 2, 3, 2, 1, 0

7
6
5
4
3
2
1

10 20 30 40

Figure 1.6 - A random walk on 0, 8

Activity 4 Roughly how would you describe the dependence of the probability that the
random walk reaches M before 0 on the value of p? How does it depend on the value of
n? How could you use SimulateRandomWalk to check your intuition about these
questions?

Continuing the random walk example, to estimate the probability of hitting M before
0 we must repeat the simulation many times, with new streams of random numbers. We
merely take note of the last element of the simulated list of positions, which will be either 0
or M, count the number of times that it is M, and divide by the number of repetitions to
estimate the probability. Here is a command that does this. Any input values we like for p, n,
and M can be used. We also let the number of replications of the simulation be a fourth
argument.

AbsorptionPctAtMp_, n_, M0_, numreps_ :

ModuleabsatM, empprob, poslist, lastpos, i,
absatM  0;
Doposlist  SimulateRandomWalkp, n, M0;
lastpos  Lastposlist;
Iflastpos  M0, absatM  absatM  1, Null,
i, 1, numreps;
empprob  NabsatM  numreps

The variable absatM, initialized to zero, keeps track of how many times so far the walk has
been absorbed at M. The algorithm is simple: we repeat exactly numreps times the actions of
simulating the list of positions (called poslist) of the random walk, then pick out the last
Other documents randomly have
different content
au milieu d’un monceau de décombres, et quoique depuis longtemps à l’état
de ruine, gardait encore une fière attitude sur l’horizon. Au delà, s’étendait
la Grenouillère, et dans une vague brume azurée l’on distinguait au bord du
ciel les trois croix plantées au haut du Calvaire ou mont Valérien.
Le Louvre occupait splendidement la rive droite éclairée et dorée par un
gai rayon de soleil, plus lumineux que chaud, comme peut l’être un soleil
d’hiver, mais qui donnait un singulier relief aux détails de cette architecture
à la fois noble et riche. La longue galerie réunissant le Louvre aux Tuileries,
disposition merveilleuse qui permet au roi d’être tour à tour, quand bon lui
semble, dans sa bonne ville ou dans la campagne, déployait ses beautés
nonpareilles, fines sculptures, corniches historiées, bossages vermiculés,
colonnes et pilastres à égaler les constructions des plus habiles architectes
grecs ou romains.
A partir de l’angle où s’ouvre le balcon de Charles IX le bâtiment faisait
une retraite, laissant place à des jardins et à des constructions parasites,
champignons poussés au pied de l’ancien édifice. Sur le quai, des ponceaux
arrondissaient leurs arcades, et un peu plus en aval que la tour de Nesle
s’élevait une cour, reste du vieux Louvre de Charles V, flanquant la porte
bâtie entre le fleuve et le palais. Ces deux vieilles tours, couplées à la mode
gothique, se faisant face diagonalement, ne contribuaient pas peu à
l’agrément de la perspective. Elles rappelaient le temps de la féodalité, et
tenaient leur place parmi les architectures neuves et de bon goût, comme
une chaire à l’antique ou quelque vieux dressoir en chêne curieusement
ouvré au milieu de meubles modernes plaqués d’argent et de dorures. Ces
reliques des siècles disparus donnent aux cités une physionomie
respectable, et l’on devrait bien se garder de les faire disparaître.
Au bout du jardin des Tuileries, où finit la ville, on distinguait la porte de
la Conférence, et le long du fleuve, au delà du jardin, les arbres du Cours-
la-Reine, promenade favorite des courtisanes et personnes de qualité qui
vont là faire montre de leurs carrosses.
Les deux rives, dont nous venons de tirer un crayon rapide, encadraient
comme deux coulisses la scène animée que présentait la rivière sillonnée de
barques allant d’un bord à l’autre, obstruée de bateaux amarrés et groupés
près de la berge, ceux-là chargés de foin, ceux-ci de bois et autres denrées.
Près du quai, au bas du Louvre, les galiotes royales attiraient l’œil par leurs
ornements sculptés et dorés et leurs pavillons aux couleurs de France.
 En ramenant le regard vers le pont, on apercevait par-dessus les faîtes
aigus des maisons semblables à des cartes appuyées l’une contre l’autre, les
clochetons de Saint-Germain l’Auxerrois. Ce point de vue suffisamment
contemplé, Hérode conduisit Sigognac devant la Samaritaine.
«Encore que ce soit le rendez-vous des nigauds qui restent là de longs
espaces de temps à attendre que le clocheteur de métal frappe l’heure sur le
timbre de l’horloge, il y faut aller et faire comme les autres. Un peu de
badauderie ne messied point au voyageur nouveau débarqué. Il y aurait plus
de sauvagerie que de sagesse à mépriser avec rebuffades sourcilleuses ce
qui fait le charme du populaire.»
C’est en ces termes que le Tyran s’excusait près de son compagnon
pendant que tous deux faisaient pied de grue au bas de la façade du petit
édifice hydraulique, et regardaient, attendant aussi que l’aiguille arrivât à
mettre en branle le joyeux carillon, le Jésus de plomb doré parlant à la
Samaritaine accoudée sur la margelle du puits, le cadran astronomique avec
son zodiaque et sa pomme d’ébène marquant le cours du soleil et de la lune,
le mascaron vomissant l’eau puisée au fleuve, l’Hercule à gaîne supportant
tout ce système de décoration, et la statue creuse servant de girouette
comme la Fortune à la Dogana de Venise et la Giralda à Séville.
La pointe de l’aiguille atteignit enfin le chiffre X; les clochettes se
mirent à tintinnabuler le plus joyeusement du monde avec leurs petites voix
grêles, argentines ou cuivrées, chantant un air de sarabande; le clocheteur
leva son bras d’airain, et le marteau descendit autant de fois sur le timbre
qu’il y avait d’heures à piquer. Ce mécanisme, ingénieusement élaboré par
le Flamand Lintlaer, amusa beaucoup Sigognac, lequel, bien que spirituel de
nature, était fort neuf en beaucoup de choses, n’ayant jamais quitté sa
gentilhommière au milieu des landes.
«Maintenant, dit Hérode, tournons-nous de l’autre côté; la vue n’est du
tout si magnifique par là. Les maisons du pont au Change la bornent trop
étroitement. Les bâtisses du quai de la Mégisserie ne valent rien; cependant
cette tour Saint-Jacques, ce clocher de Saint-Méderic et ces flèches
d’églises lointaines annoncent bien leur grande ville. Et sur l’île du palais,
au quai du grand cours de l’eau, ces maisons régulières de briques rouges,
reliées par des chaînes de pierre blanche, ont un aspect monumental que
termine heureusement la vieille tour de l’Horloge coiffée de son toit en
éteignoir, qui souvent perce à propos la brume du ciel. Cette place
Dauphine ouvrant son triangle en face du roi de bronze, et laissant voir la
porte du Palais, peut se ranger parmi les mieux ordonnées et les plus
propres. La flèche de la Sainte-Chapelle, cette église à deux étages, si
célèbre par son trésor et ses reliques, domine de façon gracieuse ses hauts
toits d’ardoises percés de lucarnes ornementées et qui luisent d’un éclat tout
neuf, car il n’y a pas longtemps que ces maisons sont bâties, et en mon
enfance j’ai joué à la marelle sur le terrain qu’elles occupent; grâce à la
munificence de nos rois, Paris s’embellit tous les jours à la grande
admiration des étrangers, qui, de retour dans leur pays, en racontent
merveilles, le trouvant amélioré, agrandi et quasi neuf à chaque voyage.
—Ce qui m’étonne, répondait Sigognac, encore plus que la grandeur,
richesse et somptuosité des bâtiments tant publics que privés, c’est le
nombre infini des gens qui pullulent et grouillent en ces rues, places et
ponts comme des fourmis dont on vient de renverser la fourmilière, et qui
courent éperdus de çà, de là, avec des mouvements dont on ne peut
soupçonner le but. Il est étrange à penser que parmi les individus qui
composent cette inépuisable multitude, chacun a une chambre, un lit bon ou
mauvais, et mange à peu près tous les jours, sans quoi il mourrait de
malemort. Quel prodigieux amas de victuailles, combien de troupeaux de
bœufs, de muids de farine, de poinçons de vin il faut pour nourrir tout ce
monde amoncelé sur le même point, tandis qu’en nos landes on rencontre à
peine un habitant de loin en loin!»
En effet, l’affluence du populaire qui circulait sur le Pont-Neuf avait de
quoi surprendre un provincial. Au milieu de la chaussée se suivaient et se
croisaient des carrosses à deux ou quatre chevaux, les uns fraîchement
peints et dorés, garnis de velours avec glaces aux portières se balançant sur
un moelleux ressort, peuplés de laquais à l’arrière-train et guidés par des
cochers à trognes vermeilles en grande livrée, qui contenaient à peine,
parmi cette foule, l’impatience de leur attelage; les autres moins brillants,
aux peintures ternies, aux rideaux de cuir, aux ressorts énervés, traînés par
des chevaux beaucoup plus pacifiques dont la mèche du fouet avait besoin
de réveiller l’ardeur et qui annonçaient chez leurs maîtres une moindre
opulence. Dans les premiers, à travers les vitres, on apercevait des
courtisans magnifiquement vêtus, des dames coquettement attifées; dans les
seconds des robins, docteurs et autres personnages graves. A tout cela se
mêlaient des charrettes chargées de pierre, de bois ou de tonneaux,
conduites par des charretiers brutaux à qui les embarras faisaient renier
Dieu avec une énergie endiablée. A travers ce dédale mouvant de chars, les
cavaliers cherchaient à se frayer un passage et ne manœuvraient pas si bien
qu’ils n’eussent parfois la botte effleurée et crottée par un moyeu de roue.
Les chaises à porteurs, les unes de maîtres, les autres de louage, tâchaient
de se tenir sur les bords du courant pour n’en être point entraînées, et
longeaient autant que possible les parapets du pont. Vint à passer un
troupeau de bœufs, et le désordre fut à son comble. Les bêtes cornues, nous
ne voulons pas parler des bipèdes mariés qui lors traversaient le Pont-Neuf,
mais bien des bœufs, couraient çà et là, baissant la tête, effarés, harcelés par
les chiens, bâtonnés par les conducteurs. A leur vue les chevaux
s’effrayaient, piaffaient et faisaient des pétarades. Les passants se sauvaient
de peur d’être encornés, et les chiens se glissant entre les jambes des moins
lestes les écartaient du centre de gravité et les faisaient choir plats comme
porcs. Même une dame fardée et mouchetée, toute passequillée de jayet et
de rubans couleur de feu, qui semblait quelque prêtresse de Vénus en quête
d’aventure, trébucha de ses hauts patins et s’étala sur le dos, sans se faire
mal, comme ayant habitude de telles chutes, ne manquèrent pas à dire les
mauvais plaisants qui lui donnèrent la main pour se relever. D’autres fois,
c’était une compagnie de soldats se rendant à quelque poste, enseignes
déployées et tambour en tête, et il fallait bien que la foule fît place à ces fils
de Mars accoutumés à ne point rencontrer de résistance.
«Tout ceci, dit Hérode à Sigognac que ce spectacle absorbait, n’est que
de l’ordinaire. Tâchons de fendre la presse et de gagner les endroits où se
tiennent les originaux du Pont-Neuf, figures extravagantes et falotes qu’il
est bon de considérer de plus près. Nulle autre ville que Paris n’en produit
de si hétéroclites. Elles poussent entre ses pavés comme fleurs ou plutôt
champignons difformes et monstrueux auxquels aucun sol ne convient
comme cette boue noire. Eh! tenez, voici précisément le Périgourdin du
Maillet, dit le poëte crotté, qui fait la cour au roi de bronze. Les uns
prétendent que c’est un singe échappé de quelque ménagerie; d’autres
affirment que c’est un des chameaux ramenés par M. de Nevers. On n’a pas
encore résolu le problème: moi je le tiens pour homme à sa folie, à son
arrogance, à sa malpropreté. Les singes cherchent leur vermine et la
croquent par esprit de vengeance et représailles; lui ne prend pas un tel soin;
les chameaux se lissent le poil et s’aspergent de poussière comme de poudre
d’iris; ils ont d’ailleurs plusieurs estomacs
 Eh! tenez, voici le Périgourdin du Maillet, dit le poète crotté... (Page 294.)

et ruminent leur nourriture: ce que celui-ci ne saurait faire, car il a toujours

le jabot vide comme la tête. Jetez-lui quelque aumône; il la prendra en
maugréant et en vous maudissant. C’est donc bien un homme, puisqu’il est
fol, sale et ingrat.»
Sigognac tira de son escarcelle une pièce blanche qu’il tendit au poëte
qui, d’abord, enfoncé dans une rêverie profonde comme sont d’habitude ces
gens blessés de cervelle et fantastiques d’humeur, ne voyait pas le Baron
planté devant lui. Il l’aperçut enfin, et sortant de sa méditation creuse, il prit
la pièce d’un geste brusque et fou et la plongea dans sa pochette en
grommelant quelques vagues injures, puis, le démon des vers s’emparant de
nouveau de lui, il se mit à brocher des babines, à rouler des yeux, à faire des
grimaces aussi curieuses au moins que celles des mascarons sculptés par
Germain Pilon sous la corniche du Pont-Neuf, accompagnant le tout de
mouvements de doigts pour scander les pieds du vers qu’il murmurait entre
ses dents, qui le rendaient semblable à un joueur de mourre, et réjouissaient
les polissons réunis en cercle autour de lui.
Ce poëte, il faut le dire, était plus singulièrement accoutré que l’effigie
de Mardi-Gras, quand on la mène brûler au mercredi des Cendres, ou qu’un
de ces mannequins qu’on suspend dans les vergers ou dans les vignes pour
effrayer la gourmandise des oiseaux. On eût dit, à le voir, que le clocheteur
de la Samaritaine, le petit More du Marché-Neuf ou le Jacquemard de
Saint-Paul se fussent allés vêtir à la friperie. Un vieux feutre roussi par le
soleil, lavé par la pluie, ceint d’un cordon de graisse, accrété, en guise de
plumet, d’une plume de coq rongée aux mites, plus comparable à une
chausse à filtrer d’apothicaire qu’à une coiffure humaine, lui descendait
jusqu’au sourcil, le forçant à relever le nez pour voir, car les yeux étaient
presque occultés sous ce bord flasque et crasseux. Son pourpoint, d’une
étoffe et d’une couleur indescriptibles, paraissait de meilleure humeur que
lui, car il riait par toutes les coutures. Ce vêtement facétieux crevait de
gaieté et aussi de vieillesse, ayant vécu plus d’années que Mathusalem. Une
lisière de drap de frise lui servait de ceinture et de baudrier, et soutenait en
guise d’épée un fleuret démoucheté dont la pointe, comme un soc de
charrue, creusait le pavé derrière lui. Des grègues de satin jaune, qui jadis
avait déguisé les masques à quelque entrée de ballet, s’engloutissaient dans
des bottes, l’une de pêcheur d’huîtres, en cuir noir, l’autre à genouillère, en
cuir blanc de Russie, celle-ci à pied plat, l’autre à pied tortu, ergotée d’un
éperon, et que sa semelle feuilletée eût abandonnée depuis longtemps sans
le secours d’une ficelle faisant plusieurs tours sur le pied comme les
bandelettes d’un cothurne antique. Un roquet de bourracan rouge, que
toutes les saisons retrouvaient à son poste, complétait cet ajustement qui eût
fait honte à un cueilleur de pommes du Perche, et dont notre poëte ne
semblait pas médiocrement fier. Sous les plis du roquet, à côté du pommeau
de la brette chargée sans doute de le défendre, un chignon de pain montrait
son nez.
Plus loin, dans une des demi-lunes pratiquées au-dessus de chaque pile,
un aveugle, accompagné d’une grosse commère qui lui servait d’yeux,
braillait des couplets gaillards, ou, d’un ton comiquement lugubre,
psalmodiait une complainte sur la vie, les forfaits et la mort d’un criminel
célèbre. A un autre endroit, un charlatan, revêtu d’un costume en serge
rouge, se démenait, un pélican à la main, sur une estrade enjolivée par des
guirlandes de dents canines, incisives ou molaires, enfilées dans des fils de
laiton. Il débitait aux badauds attroupés une harangue où il se faisait fort
d’enlever sans douleur (pour lui-même) les chicots les plus rebelles et les
mieux enracinés, d’un coup de sabre ou de pistolet, au choix des personnes,
à moins, cependant, qu’elles ne préférassent être opérées par les moyens
ordinaires. «Je ne les arrache pas... s’écriait-il d’une voix glapissante. Je les
cueille! Allons, que celui d’entre vous qui jouit d’une mauvaise denture
entre dans le cercle sans crainte, et je vais le guérir à l’instant!»
Une espèce de rustre, dont la joue ballonnée témoignait qu’il souffrait
d’une fluxion, vint s’asseoir sur la chaise, et l’opérateur lui plongea dans la
bouche la redoutable pince d’acier poli. Le malheureux, au lieu de se retenir
aux bras du fauteuil, suivait sa dent, qui avait bien de la peine à se séparer
de lui, et se soulevait à plus de deux pieds en l’air, ce qui amusait beaucoup
la foule. Une saccade brusquement donnée finit son supplice, et l’opérateur
brandit au-dessus des têtes son trophée tout sanglant!
Pendant cette scène grotesque, un singe attaché sur l’estrade par une
chaînette rivée à un ceinturon de cuir qui lui sanglait les
 ... je vais le guérir à l’instant! (Page 296.)

reins, contrefaisait d’une façon comique les cris, gestes et contorsions du

patient.
Ce spectacle ridicule ne retint pas longtemps Hérode et Sigognac, qui
s’arrêtèrent plus volontiers aux marchands de gazettes et aux bouquinistes
installés sur les parapets. Même le Tyran fit remarquer à son compagnon un
gueux tout déguenillé qui s’était établi en dehors du pont, sur l’épaisseur de
la corniche, sa béquille et son écuelle auprès de lui, et de là haussant le bras,
mettait son chapeau crasseux sous le nez des gens penchés pour feuilleter
un livre ou regarder le cours de l’eau, afin qu’ils y jetassent un double ou un
teston, ou plus s’il leur plaisait, car il ne refusait aucune monnaie, étant bien
capable de faire passer la fausse.
«Chez nous, dit Sigognac, il n’y a que les hirondelles qui logent aux
corniches, ici ce sont les hommes!
 —Vous appelez ce maraud un homme! dit Hérode, c’est bien de la
politesse, mais chrétiennement il ne faut mépriser personne. Au reste, il y a
de tout sur ce pont, peut-être même d’honnêtes gens, puisque nous y
sommes. D’après le proverbe, on n’y saurait passer sans rencontrer un
moine, un cheval blanc et une drôlesse. Voici précisément un frocard qui se
hâte faisant claquer sa sandale, le cheval blanc n’est pas loin; eh! pardieu
regardez devant vous; cette rosse qui fait la courbette comme entre les
piliers. Il ne manque plus que la courtisane. Nous n’attendrons pas
longtemps. Au lieu d’une il en vient trois, la gorge découverte, fardées en
roue de carrosse, et riant d’un rire affecté pour montrer leurs dents. Le
proverbe n’a pas menti.»
Tout à coup un tumulte se fit entendre à l’autre bout du pont, et la foule
courut au bruit. C’étaient des bretteurs qui s’escrimaient sur le terre-plein
au pied de la statue, comme en l’endroit le plus libre et le plus dégagé. Ils
criaient: Tue! tue! et faisaient mine de se charger avec furie. Mais ce
n’étaient qu’estocades simulées, que bottes retenues et courtoises comme
dans les duels de comédie, où, tant tués que blessés, il n’y a jamais
personne de mort. Ils se battaient deux contre deux, et paraissaient animés
d’une rage extrême, écartant les épées qu’interposaient leurs compagnons
pour les séparer. Cette feinte querelle avait pour but de produire un
rassemblement pour que, parmi la foule, les coupe-bourses et les tire-laines
pussent faire leurs coups tout à l’aise. En effet, plus d’un curieux qui était
entré dans le groupe un beau manteau doublé de panne sur l’épaule, et la
pochette bien garnie, sortit de la presse en simple pourpoint, et ayant
dépensé son argent sans le savoir. Sur quoi les bretteurs, qui ne s’étaient
jamais brouillés, s’entendant comme larrons en foire qu’ils étaient, se
réconcilièrent et se secouèrent la main avec grande affectation de loyauté,
déclarant l’honneur satisfait. Ce qui n’était vraiment pas difficile; l’honneur
de tels maroufles ne devait point avoir de bien sensibles délicatesses.
Sigognac, sur l’avis d’Hérode, ne s’était pas trop approché des
combattants, de sorte qu’il ne pouvait les voir que confusément à travers les
interstices que laissaient au regard les têtes et les épaules des curieux.
Cependant il lui sembla reconnaître dans ces quatre drôles les hommes dont
il avait, la nuit précédente, surveillé les mystérieuses allures à l’auberge de
la rue Dauphine, et il communiqua son soupçon à Hérode. Mais déjà les
bretteurs s’étaient prudemment éclipsés derrière la foule, et il eût été plus
malaisé de les retrouver qu’une aiguille en un tas de foin.
 «Il est possible, dit Hérode, que cette querelle n’ait été qu’un coup
monté pour vous attirer sur ce point, car nous devons être suivis par les
émissaires du duc de Vallombreuse. Un des bretteurs eût feint d’être gêné
ou choqué de votre présence, et, sans vous laisser le temps de dégainer, il
vous eût porté comme par mégarde quelque botte assassine, et, au besoin,
ses camarades vous auraient achevé. Le tout eût été mis sur le dos d’une
rencontre et rixe fortuite. En de telles algarades, celui qui a reçu les coups
les garde. La préméditation et le guet-apens ne se peuvent prouver.
—Cela me répugne, répondit le généreux Sigognac, de croire un
gentilhomme capable de cette bassesse de faire assassiner son rival par des
gladiateurs. S’il n’est pas satisfait d’une première rencontre, je suis prêt à
croiser de nouveau le fer avec lui, jusqu’à ce que la mort de l’un ou de
l’autre s’ensuive. C’est ainsi que les choses se passent entre gens d’honneur.
—Sans doute, répliqua Hérode, mais le duc sait bien, quelque enragé
qu’il soit d’orgueil, que l’issue du combat ne pourrait manquer de lui être
funeste. Il a tâté de votre lame et en a senti la pointe. Croyez qu’il conserve
de sa défaite une rancune diabolique,
 Vous appelez ce maraud un homme! dit Hérode... (Page 297.)

et ne sera pas délicat sur les moyens d’en tirer vengeance.

—S’il ne veut pas l’épée, battons-nous à cheval au pistolet, dit Sigognac,
il ne pourra ainsi arguer de ma force à l’escrime.»
En discourant de la sorte, les deux compagnons gagnèrent le quai de
l’École, et là un carrosse faillit écraser Sigognac, encore qu’il se fût rangé
promptement. Sa taille mince lui valut de n’être pas aplati sur la muraille,
tant la voiture le serrait de près, bien qu’il y eût de l’autre côté assez de
place, et que le cocher, par une légère inflexion imprimée à ses chevaux, eût
pu éviter ce passant qu’il semblait poursuivre. Les glaces de ce carrosse
étaient levées, et les rideaux intérieurs abaissés; mais qui les eût écartés eût
vu un seigneur magnifiquement habillé, dont une bande de taffetas noir plié
en écharpe soutenait le bras. Malgré le reflet rouge des rideaux fermés, il
était pâle, et les arcs minces de ses sourcils noirs se dessinaient dans une
mate blancheur. De ses dents, plus pures que des perles, il mordait jusqu’au
sang sa lèvre inférieure, et sa moustache fine, roidie par des cosmétiques, se
hérissait avec des contractions fébriles comme celle du tigre flairant sa
proie. Il était parfaitement beau, mais sa physionomie avait une telle
expression de cruauté, qu’elle eût plutôt inspiré l’effroi que l’amour, du
moins en ce moment, où des passions haineuses et mauvaises la
décomposaient. A ce portrait, esquissé en soulevant le rideau d’une voiture
qui passe à toute vitesse, on a sans doute reconnu le jeune duc de
Vallombreuse.
«Encore ce coup manqué, dit-il, pendant que le carrosse l’emportait le
long des Tuileries vers la porte de la Conférence. J’avais pourtant promis à
mon cocher vingt-cinq louis, s’il était assez adroit pour accrocher ce damné
Sigognac et le rouer contre une borne comme par accident. Décidément
mon étoile pâlit; ce petit hobereau de campagne l’emporte sur moi. Isabelle
l’adore et me déteste. Il a battu mes estafiers, il m’a blessé moi-même. Fût-
il invulnérable et protégé par quelque amulette, il faut qu’il meure, ou j’y
perdrai mon nom et mon titre de duc.
«Humph! fit Hérode en tirant une longue aspiration de sa poitrine
profonde, les chevaux de ce carrosse semblent avoir l’humeur de ceux de
Diomède, lesquels couraient sus aux hommes, les déchiraient et se
nourrissaient de leur chair. Vous n’êtes pas blessé, au moins? Ce cocher de
malheur vous voyait fort bien, et je gagerais ma plus belle recette qu’il
cherchait à vous écraser, lançant son attelage de propos délibéré contre
vous, pour quelque dessein ou vengeance occulte. J’en suis certain. Avez-
vous remarqué s’il y avait quelque armoirie peinte sur les portières? En
votre qualité de gentilhomme, vous connaissez la noble science héraldique,
et les blasons des principales familles vous sont familiers.
—Je ne saurais le dire, répondit Sigognac; un héraut d’armes même, en
cette conjoncture, n’aurait pas discerné les émaux et couleurs d’un écu,
encore moins ses partitions, figures et pièces honorables. J’avais trop affaire
d’esquiver la machine roulante pour voir si elle était historiée de lions
léopardés ou issants, d’alérions ou de merlettes, de besans ou de tourteaux,
de croix cléchées ou vivrées, ou de tous autres emblèmes.
—Cela est fâcheux, répliqua Hérode; cette remarque nous eût mis sur la
trace et fait trouver peut-être le fil de cette noire intrigue; car il est évident
qu’on cherche à se défaire de vous, quibuscumque viis, comme dirait le
pédant Blazius en son latin... Quoique la preuve manque, je ne serais
nullement étonné que ce carrosse appartînt au duc de Vallombreuse, qui
voulait se donner le plaisir de faire passer son char sur le corps de son
ennemi.
—Quelle pensée avez-vous là, seigneur Hérode? fit Sigognac; ce serait
une action basse, infâme et scélérate, par trop indigne d’un gentilhomme de
grande maison comme est, après tout, ce Vallombreuse. D’ailleurs, ne
l’avons-nous pas laissé en son hôtel de Poitiers, assez mal accommodé de sa
blessure? comment se trouverait-il déjà à Paris, où nous ne sommes arrivés
que d’hier?
—Ne nous sommes-nous point arrêtés assez longtemps à Orléans et à
Tours, où nous avons donné des représentations, pour qu’il ait pu, avec les
équipages dont il dispose, nous suivre et même nous devancer? Quant à sa
blessure, soignée par les plus excellents médecins, elle a dû bientôt se
fermer et se cicatriser. Elle n’était pas, d’ailleurs, de nature assez
dangereuse pour empêcher un homme jeune et plein de vigueur de voyager
tout à son aise en carrosse ou en litière. Il faut donc, mon cher Capitaine,
vous bien tenir sur vos gardes, car on cherche à vous monter quelque coup
de Jarnac ou à vous faire tomber en quelque embûche sous forme
d’accident. Votre mort livrerait sans défense Isabelle aux entreprises du duc.
Que pourrions-nous contre un si puissant seigneur, nous autres pauvres
histrions? S’il est douteux que Vallombreuse soit à Paris, ses émissaires, du
moins, l’y remplacent, puisque cette nuit même, si vous n’aviez pas veillé
sous les armes, ému d’un juste soupçon, ils vous auraient gentiment
égorgillé en votre chambrette.»
Les raisons qu’alléguait Hérode étaient trop plausibles pour être
discutées; aussi le Baron n’y répondit-il que par un signe d’assentiment, et
porta-t-il la main sur la garde de son épée, qu’il tira à demi, afin de
s’assurer qu’elle jouait bien et ne tenait point au fourreau.
Tout en causant, les deux compagnons s’étaient avancés le long du
Louvre et des Tuileries jusqu’à la porte de la Conférence, par où l’on va au
Cours-la-Reine, lorsqu’ils virent devant eux un grand tourbillon de
poussière où papillotaient des éclairs d’armes et des luisants de cuirasse. Ils
se rangèrent pour laisser passer cette cavalerie qui précédait la voiture du
roi, qui revenait de Saint-Germain au Louvre. Ils purent voir dans le
carrosse, car les glaces étaient baissées et les rideaux écartés, sans doute
pour que le populaire contemplât tout son soûl le monarque arbitre de ses
destinées, un fantôme pâle, vêtu de noir, le cordon bleu sur la poitrine, aussi
immobile qu’une effigie de cire. De longs cheveux bruns encadraient ce
visage mort attristé par un incurable ennui, un ennui espagnol, à la Philippe
II, comme l’Escurial seul peut en mitonner dans son silence et sa solitude.
Les yeux ne semblaient pas réfléchir les objets; aucun désir, aucune pensée,
aucun vouloir n’y mettait sa flamme. Un dégoût profond de la vie avait
relâché la lèvre inférieure, qui tombait morose avec une sorte de moue
boudeuse. Les mains blanches et maigres posaient sur les genoux, comme
celles de certaines idoles égyptiennes. Cependant il y avait encore une
majesté royale dans cette morne figure qui personnifiait la France, et en qui
se figeait le généreux sang de Henri IV.
La voiture passa comme un éblouissement, suivie d’un gros de cavaliers
qui fermaient l’escorte. Sigognac resta tout rêveur de cette apparition. En
son imagination naïve, il se représentait le roi comme un être surnaturel,
rayonnant dans sa puissance au milieu d’un soleil d’or et de pierreries, fier,
splendide, triomphal, plus beau, plus grand, plus fort que tous les autres; et
il n’avait vu qu’une figure triste, chétive, ennuyée, souffreteuse, presque
pauvre d’aspect, dans un costume sombre comme le deuil, et ne paraissant
pas s’apercevoir du monde extérieur, occupée qu’elle était de quelque
lugubre rêverie. «Eh quoi! se disait-il en lui-même, voilà le roi, celui en qui
se résument tant de millions d’hommes, qui trône au sommet de la
pyramide, vers qui tant de mains se tendent d’en bas suppliantes, qui fait
taire ou gronder les canons, élève ou abaisse, punit ou récompense, dit
«grâce» s’il le veut, quand la justice dit «mort», et peut changer d’un mot
une destinée! Si son regard tombait sur moi, de misérable je deviendrais
riche, de faible puissant; un homme inconnu se développerait salué et flatté
de tous. Les tourelles ruinées de Sigognac se relèveraient orgueilleusement;
des domaines viendraient s’ajouter à mon patrimoine rétréci. Je serais
seigneur du mont et de la plaine! Mais comment penser que jamais il me
découvre dans cette fourmilière humaine qui grouille vaguement à ses pieds
et qu’il ne regarde pas? Et quand même il m’aurait vu, quelle sympathie
peut-il se former entre nous?»
Ces réflexions, et beaucoup d’autres qu’il serait trop long de rapporter,
occupaient Sigognac, qui marchait silencieusement à côté de son
compagnon. Hérode respecta cette rêverie, se divertissant à regarder les
équipages aller et venir. Puis il fit observer au Baron qu’il allait être midi, et
qu’il était temps de diriger l’aiguille de la boussole vers le pôle de la soupe,
rien n’étant pire qu’un dîner froid, si ce n’est un dîner réchauffé.
Sigognac se rendit à ce raisonnement péremptoire, et ils reprirent le
chemin de leur auberge. Rien de particulier n’avait eu lieu en leur absence.
Il ne s’était passé que deux heures. Isabelle, tranquillement assise à table
devant un potage étoilé de plus d’yeux que le corps d’Argus, accueillit son
ami avec son doux sourire habituel en lui tendant sa blanche main. Les
comédiens lui adressèrent des questions badines ou curieuses sur son
excursion à travers la ville, lui demandant s’il possédait encore son
manteau, son mouchoir et sa bourse. A quoi Sigognac répondit joyeusement
par l’affirmative. Cette aimable causerie lui fit bientôt oublier ses sombres
préoccupations, et il en vint à se demander en lui-même s’il n’était pas la
dupe d’une imagination hypocondriaque qui ne voyait partout
qu’embûches.
Il avait raison cependant, et ses ennemis, pour quelques tentatives
avortées, ne renonçaient point à leurs noirs projets. Mérindol, menacé par le
duc d’être rendu aux galères d’où il l’avait tiré s’il ne le défaisait de
Sigognac, se résolut à requérir l’aide d’un brave de ses amis, à qui nulle
entreprise ne répugnait, quelque hasardeuse qu’elle fût, si elle était bien
payée. Il ne se sentait pas de force à venir a bout du Baron, qui d’ailleurs le
connaissait maintenant, ce qui en rendait l’approche difficile, vu qu’il était
sur ses gardes.
Mérindol alla donc à la recherche de ce spadassin qui demeurait place du
Marché-Neuf, près du Petit-Pont, endroit peuplé principalement de
bretteurs, filous, tireurs de laine et autres gens de mauvaise vie.
Avisant parmi les hautes maisons noires, qui s’épaulaient comme
ivrognes ayant peur de tomber, une plus noire, plus délabrée, plus lépreuse
encore que les autres, dont les fenêtres, débordant d’immondes guenilles,
ressemblaient à des ventres ouverts laissant couler leurs entrailles, il
s’engagea dans l’allée obscure qui servait d’entrée à cette caverne. Bientôt
le jour venant de la rue s’éteignit, et Mérindol, tâtant les murailles suantes
et visqueuses comme si des limaçons les eussent engluées de leur bave,
trouva parmi l’ombre la corde tenant lieu de rampe à l’escalier, corde qu’on
pouvait croire détachée d’un gibet et suiffée de graisse humaine. Il se hissa
comme il put par cette échelle de meunier, trébuchant à chaque pas sur les
bosses et callosités qu’avait formées à chaque marche la vieille boue
entassée là, couche à couche, depuis le temps où Paris s’appelait Lutèce.
Cependant, à mesure que Mérindol avançait dans son ascension
périlleuse, les ténèbres se faisaient moins intenses. Une lueur blafarde et
brouillée pénétrait à travers les vitres jaunes des jours de souffrance
pratiqués pour éclairer l’escalier, et qui donnaient sur une cour noire et
profonde comme un puits de mine. Enfin, il arriva au dernier étage à demi
suffoqué par les vapeurs méphitiques s’exhalant des plombs. Deux ou trois
portes s’ouvraient sur le palier dont le plafond en plâtre sale était enjolivé
d’arabesques obscènes, de tire-bouchons et de mots plus que rabelaisiens
tracés par la fumée des chandelles, fresques bien dignes d’une pareille
bicoque.
L’une de ces portes était entre-bâillée. Mérindol la poussa d’un coup de
pied, ne voulant y toucher de la main, et pénétra sans plus de cérémonie
dans l’unique chambre composant le Louvre du bretteur Jacquemin
Lampourde.
Une âcre fumée lui piqua les yeux et le gosier, si bien qu’il se prit à
tousser comme un chat qui avale des plumes en croquant un oiseau, et qu’il
se passa bien deux minutes avant qu’il pût parler. Profitant de la porte
ouverte, la fumée se répandit sur le palier, et le brouillard devenant moins
épais, le visiteur put discerner à peu près l’intérieur de la chambre.
Ce repaire mérite une description particulière, car il est douteux que
l’honnête lecteur ait jamais mis le pied dans un taudis pareil, et il ne saurait
se faire l’idée d’un tel dénûment.
Le bouge était meublé principalement de quatre murs le long desquels
les infiltrations du toit avaient dessiné des îles inconnues et des fleuves
qu’on ne rencontre en aucune carte géographique. Aux endroits à portée de
la main, les locataires successifs du taudis s’étaient amusés à graver au
couteau leurs noms incongrus, baroques ou hideux, par suite de ce penchant
qui pousse les plus obscurs à laisser une trace de leur passage en ce monde.
A ces noms souvent était accolé un nom de femme, Iris de carrefour, que
surmontait un cœur percé d’une flèche semblable à une arête de poisson.
D’autres, plus artistes, avec un bout de charbon retiré des cendres, avaient
essayé de croquer quelque profil grotesque, une pipe entre les dents, ou
quelque pendu tirant la langue et gambadant au bout d’une potence.
 Sur le bord de la cheminée, où fumaient en bavant les branches d’un
cotret volé, s’entassait dans la poussière un monde d’objets bizarres: une
bouteille ayant, plantée dans le goulot, une chandelle à demi consumée,
dont le suif avait coulé en larges nappes sur le verre, vrai flambeau d’enfant
prodigue et de biberon; un cornet de tric-trac, trois dés plombés, les Heures
de Robert Besnières, à l’usage du lansquenet, un fagot de bouts de vieilles
pipes, un pot en grès à mettre du pétun, un chausson renfermant un peigne
édenté, une lanterne sourde arrondissant sa lentille comme une prunelle
d’oiseau de nuit, des paquets de clefs, sans doute fausses, car il n’y avait en
la chambre aucun meuble à ouvrir, un fer à relever la moustache, un angle
de miroir au tain rayé comme par les griffes d’un diable, où l’on ne pouvait
se voir qu’un œil à la fois, encore ne fallait-il pas que cet œil ressemblât à
celui de Junon, qu’Homère appelle Βοῶπις et mille autres brimborions
fastidieux à décrire.
En face de la cheminée, sur un pan de muraille moins humide que les
autres et tendu d’ailleurs d’un lambeau de serge verte, rayonnait un faisceau
d’épées soigneusement fourbies, d’une trempe à l’épreuve et portant sur
leur acier la marque des plus célèbres armuriers d’Espagne et d’Italie. Il y
avait là des lames à deux tranchants, des lames triangulaires, des lames
évidées au milieu pour laisser égoutter le sang; des dagues à large coquille,
des coutelas, des poignards, des stylets et autres armes de prix dont la
richesse faisait un singulier contraste avec le délabrement du bouge. Pas
une tache de rouille, pas un grain de poussière ne les souillaient, c’étaient
les outils du tueur, et dans un arsenal princier ils n’eussent pas été mieux
entretenus, frottés d’huile, épongés de laine et conservés en leur état
primitif. On eût dit qu’ils sortaient tout frais émoulus de la boutique.
Lampourde, si négligent pour le reste, y mettait son amour-propre et sa
curiosité. Cette recherche, quand on pensait au métier qu’il faisait, prenait
un caractère horrible, et sur ces fers si bien polis, des reflets rouges
semblaient flamboyer.
De siéges, il n’y en avait point, et l’on était libre de se tenir debout pour
grandir, à moins qu’on ne préférât, si l’on ne voulait ménager la semelle de
ses souliers, s’asseoir sur un vieux panier défoncé, une malle, ou un étui de
luth qui traînait dans un coin.
La table se composait d’un volet abattu sur deux tréteaux. Elle servait
aussi de lit. Après avoir fait carousse, le maître du logis s’y allongeait et,
prenant le coin de la nappe, qui n’était autre que la panne de son manteau,
dont il avait vendu le dessus pour se doubler la panse, il faisait demi-tour du
côté de la muraille pour ne plus voir les bouteilles vides, spectacle
singulièrement mélancolique aux ivrognes.
C’est dans cette position que Mérindol trouva Jacquemin Lampourde
ronflant comme la pédale d’un tuyau d’orgue, bien que toutes les horloges
des environs eussent sonné quatre heures de l’après-midi.
Un énorme pâté de venaison, qui montrait dans ses ruines vermeilles des
marbrures de pistaches, gisait éventré sur le carreau, et plus qu’à moitié
dévoré, comme un cadavre attaqué des loups au fond d’un bois, en
compagnie d’un nombre fabuleux de flacons dont on avait sucé l’âme, et
qui n’étaient plus que des fantômes de bouteilles, des apparences creuses
bonnes à faire du verre cassé.
Un compagnon, que Mérindol n’avait pas aperçu d’abord, dormait à
poings tendus sous la table, tenant encore au bec, entre ses dents, le tuyau
cassé d’une pipe, dont le fourneau avait roulé à terre tout bourré d’un pétun
qu’en son ivresse il avait oublié d’allumer.
«Hé, Lampourde! dit l’estafier de Vallombreuse, c’est assez dormir
comme cela; ne me regarde pas avec ces yeux plus ronds que billes. Je ne
suis point un commissaire ou un agent qui te vient querir pour te mener au
Châtelet. Il s’agit d’une affaire importante: tâche de repêcher ta raison
noyée au fond des pots, et de m’écouter.»
Le personnage ainsi interpellé se souleva avec une lenteur somnolente,
se mit sur son séant, développa, en s’étirant, de longs bras, dont les poings
touchaient presque aux deux murs de la chambre, ouvrit une bouche
immense dentée de crocs pointus, et, se tordant la mâchoire, dessina un
bâillement formidable, semblable au rictus d’un lion ennuyé, le tout
accompagné de gloussements inarticulés et gutturaux.
Ce n’était point un Adonis que Jacquemin Lampourde, bien qu’il se
prétendît favorisé des femmes autant que pas un, et même, à l’entendre, des
plus hautes et mieux situées. Sa grande taille dont il tirait fierté, ses maigres
jambes héronnières, son échine efflanquée, sa poitrine osseuse et
cardinalisée à la boisson, qu’on voyait en ce moment par sa chemise
entr’ouverte, ses bras de singe assez longs pour qu’il pût nouer ses
jarretières sans presque se baisser, ne composaient pas un physique bien
agréable; quant à sa figure, un nez prodigieux qui rappelait celui de Cyrano
de Bergerac, prétexte de tant de duels, y occupait la place la plus
importante. Mais Lampourde s’en consolait avec l’axiome populaire:
«Jamais grand nez n’a gâté visage.» Les yeux, quoique brouillés encore
d’ivresse et de sommeil, avaient dans leurs prunelles de froids éclairs
d’acier annonçant le courage et la résolution. Sur les joues décharnées deux
ou trois rides perpendiculaires, pareilles à des coups d’épée, dessinaient

S’il s’agit de tuer, je suis votre homme... (Page 306.)

leurs lignes rigides qui n’étaient pas précisément des nids d’amours. Une
tignasse de cheveux noirs fort emmêlée pleuvait autour de cette
physionomie bonne à sculpter sur un manche de violon et dont personne
cependant n’avait envie de se moquer, tant l’expression en était inquiétante,
narquoise et féroce.
«Que le Maulubec trousse l’animal qui me vient ainsi troubler en mes
joies et patauger parmi mes rêves anacréontiques! J’étais heureux; la plus
belle princesse de la terre m’accueillait gracieusement. Vous avez fait
envoler mon songe.
—Trêve de billevesées, fit Mérindol avec impatience, prête-moi deux
minutes ton ouïe et ton attention.
—Je n’écoute personne quand je suis gris, répondit majestueusement
Jacquemin Lampourde en s’étayant sur le coude. D’ailleurs j’ai de l’argent,
beaucoup d’argent. Nous avons cette nuit détroussé un mylord anglais tout
cousu de pistoles, je suis en train de manger et de boire ma part. Mais avec
un petit tour de lansquenet ce sera bientôt fini. A ce soir donc les affaires
sérieuses. Trouvez-vous à minuit sur le terre-plein du Pont-Neuf au pied du
cheval de bronze. J’y serai, frais, limpide, alerte, jouissant de tous mes
moyens. Nous accorderons nos flûtes et conviendrons des sommes,
lesquelles doivent être considérables, car j’aime à croire qu’on ne dérange
pas un brave comme moi pour des friponneries subalternes, des vols
insignifiants ou autres menues peccadilles. Décidément le vol m’ennuie, je
ne fais plus que l’assassinat, c’est plus noble. On est un carnassier léonin, et
non une bête de rapine. S’il s’agit de tuer, je suis votre homme, et encore
faut-il que l’attaqué se défende. Les victimes sont si lâches parfois, que cela
me dégoûte. Un peu de résistance donne du cœur à l’ouvrage.
—Oh! pour cela sois tranquille, répondit Mérindol avec un mauvais
sourire. Tu trouveras à qui parler.
—Tant mieux, fit Jacquemin Lampourde, il y a longtemps que je ne me
suis escrimé avec quelqu’un de ma force. Mais en voilà assez. Sur ce,
bonsoir, et laissez-moi dormir.»
Mérindol parti, Jacquemin Lampourde essaya de se rendormir, mais en
vain. Le sommeil interrompu ne revint pas. Le bretteur se leva, secoua
rudement le compagnon qui ronflait sous la table et tous deux s’en allèrent
dans un tripot où se jouaient le lansquenet et la bassette. L’assistance était
composée de plumets, de spadassins, de filous, de laquais, de clercs, de
quelques bourgeois naïfs conduits là par des filles, pauvres pigeons destinés
à être plumés vifs. On n’entendait que le bruit des dés roulant dans le cornet
et le froissement des cartes battues, car les joueurs sont d’ordinaire
silencieux, sauf, en cas de perte, quelques interjections blasphématoires.
Après des alternatives de chance et de guignon, le vide, duquel la nature et
l’homme surtout ont horreur, fut hermétiquement pratiqué dans les
pochettes de Lampourde. Il voulut jouer sur parole, mais ce n’était pas une
monnaie qui eût cours en ce lieu, où les joueurs, en recevant leur gain,
mordaient les pièces par manière d’éprouvette, pour voir si les louis
n’étaient point en plomb doré et les testons en étain à fondre des cuillères.
Force lui fut de se retirer nu comme un petit saint Jean, après être entré gros
seigneur et remuant les pistoles à pleine main!
«Ouf! fit-il quand l’air frais de la rue le frappa au visage et lui rendit son
sang-froid, me voilà débarrassé; c’est drôle comme l’argent me grise et
m’abrutit! Je ne m’étonne plus que les traitants soient si bêtes. Maintenant
que je n’ai plus le sol, je me sens plein d’esprit; les idées bourdonnent
autour de ma cervelle comme abeilles autour d’une ruche. De Laridon je
redeviens César! Mais voici que le clocheteur de la Samaritaine martèle
douze heures; Mérindol doit m’attendre devant le roi de bronze.»
Et il se dirigea vers le Pont-Neuf. Mérindol était à son poste, occupé à
regarder son ombre au clair de lune. Les deux spadassins, ayant bien
regardé autour d’eux pour voir si personne ne pouvait les entendre,
parlèrent cependant à voix basse pendant assez longtemps. Ce qu’ils dirent,
nous l’ignorons, mais en quittant l’agent du duc de Vallombreuse,
Lampourde faisait sonner de l’or dans ses poches avec une impudence qui
montrait combien il était redouté sur le Pont-Neuf.

... tous deux s’en allèrent dans un tripot où se jouaient le lansquenet et la bassette. (Page 307.)
 XII.

LE RADIS COURONNÉ.
En quittant Mérindol, une incertitude travaillait Jacquemin Lampourde,
et lorsqu’il fut arrivé au bout du Pont-Neuf, il s’arrêta et demeura quelque
temps perplexe comme l’âne de Buridan entre ses deux mesures d’avoine,
ou, si cette comparaison ne vous plaît point, comme un fer entre deux
aimants d’égale force. D’une part le lansquenet exerçait sur lui une
attraction impérieuse avec son tintement lointain de pièces d’or; de l’autre
le cabaret se présentait orné de séductions non moindres, faisant sonner son
carillon de pots. Embarrassante alternative! Bien que les théologiens fassent
du libre arbitre la plus belle prérogative de l’homme, Lampourde, maîtrisé
par deux penchants irrésistibles, car il était aussi joueur qu’ivrogne, et aussi
ivrogne que joueur, ne savait réellement à quoi se décider. Il fit trois pas
vers le tripot; mais les bouteilles pansues, couvertes de poussière, drapées
de toiles d’araignées, coiffées d’un rouge casque de cire, apparurent à son
imagination sous un rayon si vif, qu’il en fit trois pas vers le cabaret. Alors
le Jeu agita fantastiquement à ses oreilles un cornet plein de dés plombés, et
lui arrondit devant les yeux un demi-cercle de cartes biseautées, diapré
comme une queue de paon, vision enchanteresse qui lui cloua les pieds au
sol.
«Ah çà! est-ce que je vais rester là planté comme une idole, se dit à lui-
même le bretteur impatienté de ses propres tergiversations; je dois avoir
l’air d’un franc viédaze regardant voler des coquecigrues, avec ma mine
ahurie et quidditative. Pardieu! si je n’allais ni au cabaret ni au tripot, et
rendais visite à ma déesse, à mon Iris, à la nonpareille beauté qui me retient
en ses lacs? Mais peut-être, à cette heure, sera-t-elle occupée à quelque bal
ou festin nocturne, hors de son logis. Et d’ailleurs la volupté amollit le
courage, et les plus grands capitaines se sont repentis de s’être trop adonnés
aux femmes. Témoin Hercule avec sa Déjanire, Samson avec sa Dalila,
Marc-Antoine avec sa Cléopâtre, sans compter les autres dont je ne me
souviens pas, car on a cueilli bien des fois les prunes depuis que j’ai fait
mes classes. Donc, renonçons à cette fantaisie lascive et vitupérable. Mais
que faire cependant entre ces deux charmants objets? Qui choisit l’un
s’expose à regretter l’autre.»
En minutant ce monologue, Jacquemin Lampourde, les mains plongées
dans ses poches, le menton appuyé sur sa fraise de manière à retrousser sa
barbiche, semblait pousser des racines entre les pavés et se pétrifier en
statue, comme cela arrive à plus d’un compagnon aux Métamorphoses
d’Ovide. Tout à coup il fit un soubresaut si brusque qu’un bourgeois attardé
qui passait par là s’en émut de peur et hâta le pas, croyant qu’il allait
l’assaillir et à tout le moins lui tirer la laine. Lampourde n’avait aucune
intention de détrousser ce nigaud, qu’en sa rêverie distraite il ne voyait
même point; mais une idée triomphante venait de lui traverser la cervelle.
Ses incertitudes étaient finies.
Il tira vivement un doublon de sa poche, le jeta en l’air après avoir dit:
«Pile pour le cabaret, face pour le tripot!»
La pièce pirouetta plusieurs fois, et, ramenée à terre par sa pesanteur,
retomba sur un pavé, faisant luire sa paillette d’or sous le rayon d’argent qui
s’échappait de la lune, en ce moment débarrassée de tout nuage. Le bretteur
s’agenouilla pour déchiffrer l’oracle rendu par le hasard. La pièce avait
répondu pile à la question posée. Bacchus l’emportait sur la Fortune.
«C’est bien, je me griserai,» dit Lampourde en remettant le doublon,
dont il essuya la boue, en son escarcelle profonde comme l’abîme, étant
destinée à engloutir beaucoup de choses.
Et, faisant de grandes enjambées, il se dirigea vers le cabaret du Radis
couronné, sanctuaire habituel de ses libations au dieu de la vigne. Le Radis
couronné présentait à Lampourde cet avantage d’être situé à l’angle du
Marché-Neuf, à deux pas de son logis qu’il regagnait en quelques zigzags
lorsqu’il s’était mis du vin jusqu’au nœud de la gorge, à partir de la semelle
de ses bottes.
 Maintenant que je n’ai plus le sol, je me sens plein d’esprit;... (Page 308.)

C’était bien le plus abominable bouge qu’on pût imaginer. Des piliers
trapus, englués d’un rouge sanguinolent et vineux, supportaient l’énorme
poutre qui lui servait de frise et dont les rugosités affectaient de certaines
formes indiquant d’anciennes sculptures à demi effacées par le temps. Avec
beaucoup d’attention on parvenait à y démêler un enroulement de ceps et de
pampres, à travers lesquels gambadaient des singes tirant des renards par la
queue. Sur le claveau de la porte figurait un énorme radis au naturel, feuillé
de sinople et sommé d’une couronne d’or, le tout fort terni, qui depuis des
générations de buveurs servait d’enseigne et de désignation au cabaret.
Les baies formées par l’espacement des piliers étaient closes, en ce
moment, de volets à lourdes ferrures capables de soutenir un siége, mais
non si hermétiquement joints qu’ils ne laissassent filtrer des raies de
lumière rougeâtre, et s’échapper une sourde rumeur de chansons et de
querelles; ces lueurs, s’allongeant sur le pavé miroité de boue, produisaient
un effet étrange dont Lampourde ne sentit pas le côté pittoresque, mais qui
lui indiqua qu’il y avait encore nombreuse compagnie au Radis couronné.
Heurtant la porte avec le pommeau de son épée, le bretteur, par le
rhythme des coups qu’il frappa, se fit reconnaître pour un habitué de la
maison, et l’huis s’entre-bâilla afin de lui livrer passage.
La salle où se tenaient les buveurs avait assez l’air d’une caverne. Elle
était basse, et la maîtresse poutre qui traversait le plafond, ayant fait ventre
sous le tassement des étages supérieurs, semblait près de rompre, encore
qu’elle fût solide à porter un beffroi, pareille en cela à la tour de Pise ou des
Asinelli de Bologne qui penche toujours et ne tombe jamais. Les fumées
des pipes et des chandelles avaient rendu le plafond aussi noir que
l’intérieur des cheminées où l’on prépare les harengs saurs, les boutargues
et les jambons. Anciennement les murs avaient été peints d’une couleur
rouge, encadrée de sarments et brindilles de vigne, par la brosse de quelque
décorateur italien venu en France à la suite de Catherine de Médicis. La
peinture s’était conservée dans le haut de la salle, quoique bien assombrie et
ressemblant plus à des plaques de sang figé qu’à cette réjouissante teinte
écarlate dont elle devait briller en sa fleur de nouveauté. L’humidité, le
frottement des dos, la crasse des têtes qui s’y appuyaient, en avaient gâté et
détruit tout le bas, où le plâtre apparaissait sale, éraillé et nu. Jadis le
cabaret avait été mieux hanté; mais peu à peu, aux courtisans et aux
capitaines, les mœurs devenant plus délicates, s’étaient substitués des
brelandiers, des aigrefins, des coupe-bourses et des coupe-jarrets, toute une
clientèle de truands hasardeux qui avaient donné leur empreinte horrible au
bouge, et fait de la gaie taverne un repaire sinistre. Un escalier de bois
conduisant à une galerie où s’ouvraient les portes de réduits si bas, qu’on
n’y pénétrait qu’en rentrant les cornes et la tête comme un limaçon,
occupait la paroi qui faisait face à l’entrée. Sous la cage de l’escalier, à
l’ombre de la soupente, quelques futailles, les unes pleines, les autres en
vidange, étaient disposées dans une symétrie plus agréable aux ivrognes que
toute autre sorte d’ornement. Dans la cheminée à grande hotte, flambaient
des fagots de bourrée dont les bouts brûlaient jusque sur le plancher, qui,
n’étant fait que d’un carrelage de vieilles briques, ne courait pas risque
d’incendie. Ce feu illuminait de ses reflets l’étain d’un comptoir placé vis-
à-vis et où trônait le cabaretier, derrière un rempart de pots, de pintes, de
bouteilles et de brocs. Sa vive lueur, éteignant les auréoles jaunes des
chandelles qui grésillaient dans la fumée, faisait danser le long des
murailles les ombres des buveurs dessinées en caricatures, avec des nez
extravagants, des mentons de galoche, des toupets de Riquet à la houppe et
des déformations aussi bizarres que celles des Songes drolatiques de maître
Alcofribas Nasier. Ce sabbat de découpures noires, s’agitant et fourmillant
derrière les figures réelles, semblait s’en moquer et en faire spirituellement
la parodie. Les habitués du bouge, assis sur des bancs, s’accoudaient sur des
tables dont le bois tailladé d’estafilades, chamarré de noms gravés au
couteau, tatoué de brûlures, était gras de sauces et de vins répandus; mais
les manches qui l’essuyaient ne pouvaient pour la plupart être salies,
quelques-unes mêmes étant percées au coude n’y compromettaient que la
chair du bras qu’elles étaient censées revêtir. Éveillées au tintamarre du
cabaret, deux ou trois poules, Lazares emplumés, qui à cette heure eussent
dû être juchées sur leur perchoir, s’étaient glissées dans la salle par une
porte communiquant avec la cour, et picoraient sous les pieds et entre les
jambes des buveurs les miettes tombées du festin.

LE CABARET DU RADIS COURONNÉ. (Page 313.)

Quand Jacquemin Lampourde entra au Radis couronné, le plus

triomphant vacarme régnait dans l’établissement. Des gaillards à mine
truculente, tendant leurs pots vides, frappaient sur les tables des coups de
poing à tuer des bœufs et qui faisaient trembler les suifs emmanchés dans
des martinets de fer. D’autres criaient «tope et masse» en répondant à des
rasades. Ceux-ci accompagnaient une chanson bachique, hurlée en chœur
avec des voix aussi lamentablement fausses que celles de chiens hurlant à la
lune, d’un cliquetis de couteau sur les côtes de leurs verres et d’un
remuement d’assiettes tournées en meule. Ceux-là inquiétaient la pudeur
des Maritornes, qui, les bras élevés au-dessus de la foule, portaient des plats
de victuailles fumantes et ne pouvaient se défendre contre leurs galantes
entreprises, tenant plus à conserver leur plat que leur vertu. Quelques-uns
pétunaient dans de longues pipes de Hollande et s’amusaient à souffler de la
fumée par les naseaux.
Il n’y avait pas que des hommes dans cette cohue, le beau sexe y était
représenté par quelques échantillons assez laids; car le vice se permet
parfois de n’avoir pas le nez mieux fait que la vertu. Ces Philis, dont le
premier venu, moyennant la pièce ronde, pouvait être le Tircis ou le Tityre,
se promenaient par couples, s’arrêtant aux tables, et buvaient comme
colombes familières en la coupe de chacun. Ces copieuses lampées, jointes
à la chaleur du lieu, faisaient leurs joues cramoisies sous le rouge de brique
dont elles étaient enluminées, en sorte qu’elles semblaient des idoles peintes
à deux couches. Des cheveux faux ou vrais, tournés en accroche-cœurs,
étaient plaqués sur leurs fronts luisants de céruse ou, calamistrés au fer,
allongeaient leurs spirales jusque sur des poitrines largement découvertes et
passées au badigeon, non sans quelque petite veine d’azur dessinée en leurs
blancheurs postiches. Leurs ajustements affectaient une braverie mignarde
et galante. Ce n’était que rubans, plumes, broderies, galons, ferrets,
aiguillettes, couleurs vives; mais il était aisé de voir que ce luxe, fait pour la
montre, n’avait rien de réel et sentait la friperie: les perles n’étaient que
verre soufflé, les bijoux d’or que cuivre, les robes de soie que vieilles jupes
retournées et reteintes; mais ces élégances de mauvais aloi suffisaient à
éblouir les yeux avinés des compagnons réunis en ce bouge. Quant à
l’odeur, si ces dames ne flairaient pas la rose, elles sentaient le musc comme
un terrier de putois, seule odeur assez forte pour dominer les infectes
exhalaisons du taudis, et qu’on trouvait par comparaison plus suave que
baume, ambroisie et benjoin. Quelquefois un plumet échauffé de luxure et
de boisson faisait asseoir sur son genou une de ces beautés peu farouches, et
lui chuchotait à l’oreille, dans un gros baiser, des propositions
anacréontiques reçues avec des rires affectés et un «non» qui voulait dire
«oui;» puis, au long de l’escalier, on voyait des groupes qui montaient,
l’homme le bras sur la taille de la femme, la femme se retenant à la rampe
et faisant de petites façons enfantines, car même en la débauche la plus
abandonnée il faut encore quelques semblants de pudeur. D’autres
redescendaient la mine confuse, tandis que leur Amaryllis de rencontre
faisait bouffer sa jupe de l’air le plus détaché du monde.
Lampourde, habitué de longue main à ces mœurs qui, d’ailleurs, lui
paraissaient naturelles, ne prêtait aucune attention au tableau dont nous
venons de tirer un crayon rapide. Assis devant une table, le dos appuyé au
mur, il regardait d’un œil plein de tendresse et de concupiscence une
bouteille de vin des Canaries qu’une servante venait d’apporter, une
bouteille antique et recommandable, de derrière les fagots et du tas réservé
aux goinfres et biberons émérites. Quoique le bretteur fût seul, deux verres
avaient été placés sur la table, car on savait son horreur pour l’ingurgitation
solitaire des liquides, et d’un moment à l’autre un compagnon de beuverie
pouvait lui survenir. En attendant ce convive fortuit, Lampourde élevait
lentement, à la hauteur de sa visée, le verre effilé de patte et tourné en
clochette de liseron où brillait, pailletée d’un point lumineux, la blonde et
généreuse liqueur. Puis, ayant satisfait le sens de la vue en admirant cette
chaude couleur de topaze brûlée, il passait au sens de l’odorat, et, remuant
le vin par une secousse ménagée qui lui imprimait une sorte de rotation, il
en humait l’arome à narines aussi béantes que les fosses d’un dauphin
héraldique. Restait le sens du goût. Les papilles du palais, convenablement
excitées, s’imprégnaient d’une gorgée de ce nectar; la langue la promenait
autour des badigoinces et l’envoyait enfin au gosier avec un clappement
approbatif. Ainsi maître Jacquemin Lampourde, au moyen d’un seul verre,
flattait-il trois des cinq sens que l’homme possède, ce qui était le fait d’un
épicurien consommé tirant des choses jusqu’au dernier suc et quintessence
de plaisir qu’elles contiennent. Encore prétendait-il bien que le tact et l’ouïe
pouvaient y avoir leur part de jouissance: le tact, par le poli, la netteté et la
forme du cristal; l’ouïe, par la musique, vibration et parfait accord qu’il
rend lorsqu’on le choque avec le dos d’une lame ou qu’on promène
circulairement ses doigts mouillés sur le bord du verre. Mais ce sont là
paradoxes, billevesées et fantaisies d’un raffinement trop subtil, ne prouvant
rien pour vouloir trop prouver, sinon le vicieux raffinement de ce maraud.
Notre bretteur était là depuis quelques minutes quand la porte du cabaret
s’entr’ouvrit; un quidam, vêtu de noir de la tête aux pieds, n’ayant de blanc
que son rabat et un flot de linge qui lui bouffait au ventre, entre sa veste et
Welcome to Our Bookstore - The Ultimate Destination for Book Lovers
Are you passionate about books and eager to explore new worlds of
knowledge? At our website, we offer a vast collection of books that
cater to every interest and age group. From classic literature to
specialized publications, self-help books, and children’s stories, we
have it all! Each book is a gateway to new adventures, helping you
expand your knowledge and nourish your soul
Experience Convenient and Enjoyable Book Shopping Our website is more
than just an online bookstore—it’s a bridge connecting readers to the
timeless values of culture and wisdom. With a sleek and user-friendly
interface and a smart search system, you can find your favorite books
quickly and easily. Enjoy special promotions, fast home delivery, and
a seamless shopping experience that saves you time and enhances your
love for reading.
Let us accompany you on the journey of exploring knowledge and
personal growth!

ebookgate.com