Overdispersed and Markovian Children

Dit artikel weerlegt de veronderstelling dat de geslachtsverdeling van kinderen puur het resultaat is van onafhankelijke 50-50-kansprocessen door aan te tonen dat er sprake is van lichte onbalans, variatie tussen gezinnen, Markov-afhankelijkheid in de geboortesequentie en overdispersie, terwijl het ook ingaat op de invloed van steekproefomvang op p-waarden en statistische detectiekracht.

De kern

De Munt van het Lot: Waarom niet alle gezinnen precies hetzelfde zijn

Stel je voor dat je door de wereld loopt en overal kinderen ziet. Je merkt op dat er ongeveer evenveel jongens als meisjes zijn. Het lijkt alsof de natuur een eerlijke munt opgooit: kop (meisje) of munt (jongen), met precies 50% kans voor elk. Dit is wat we in de statistiek de "eerste benadering" noemen.

Maar in dit artikel, geschreven door de Noorse statisticus Nils Lid Hjort, kijken we die eerlijke munt eens van dichterbij. En wat blijkt? De munt is niet helemaal eerlijk, en hij is niet eens voor elke familie hetzelfde.

Hier is wat de auteur ontdekt, vertaald naar alledaagse taal:

1. De Munt is niet helemaal 50-50

Als je heel veel geboortes bekijkt (zoals in een oud Duits register uit de 19e eeuw met bijna 40.000 gezinnen), zie je dat er iets meer jongens worden geboren dan meisjes. De kans op een meisje is ongeveer 48,5%, en op een jongen 51,5%.

• De analogie: Het is alsof de munt van het lot een klein beetje scheef is. Je moet heel veel keer gooien (tienduizenden keren) om dit kleine scheefheidje te zien. Met een klein gezin van 5 kinderen zie je dit verschil niet; je hebt een enorme dataset nodig om het te bewijzen.

2. De "Overdispersie": Waarom er meer gezinnen zijn met alleen jongens of alleen meisjes

Dit is het meest interessante deel. Als de munt voor iedereen exact hetzelfde was (bijvoorbeeld altijd 48,5% kans op een meisje), dan zouden we volgens de wiskunde veel gezinnen met een mix van jongens en meisjes moeten zien, en heel weinig gezinnen met alleen jongens of alleen meisjes.

Maar in de werkelijkheid zijn er meer gezinnen met alleen jongens en meer gezinnen met alleen meisjes dan de wiskunde voorspelt.

• De analogie: Stel je voor dat elke familie zijn eigen munt heeft. Bij de ene familie is de munt misschien net iets zwaarder aan de jongen-zijde, bij de andere iets aan de meisje-zijde.
  • Als je 1000 gezinnen hebt met allemaal dezelfde munt, krijg je een heel strak patroon.
  • Maar als elke familie een eigen munt heeft (die net iets anders is dan die van de buren), dan krijg je meer uitschieters. Je krijgt meer "extreme" gezinnen (alleen maar jongens of alleen maar meisjes) en minder gezinnen met een perfecte mix.
  • Hjort noemt dit overdispersie: de werkelijkheid is "ruimer" en "onvoorspelbaarder" dan de simpele theorie suggereert.

3. De Grote Steekproef: Waarom grootte telt

Een groot deel van het artikel gaat over hoe belangrijk het is om genoeg data te hebben.

• De analogie: Als je 10 keer een munt opgooit en 6 keer kop krijgt, denk je misschien: "Hé, dit is geen eerlijke munt!" Maar dat kan gewoon toeval zijn. Als je echter 10.000 keer gooit en je ziet een klein, consistent patroon, dan weet je zeker dat er iets aan de hand is.
• Hjort laat zien dat je duizenden gezinnen nodig hebt om met zekerheid te zeggen: "Ja, de kans op een meisje is echt niet 50%." Met kleine aantallen zie je het verschil niet; met de enorme datasets uit het verleden wordt het patroon kristalhelder.

4. De Markov-kinderen: Heeft de vorige baby invloed op de volgende?

De auteur vraagt zich ook af: "Als je al een meisje hebt, is de kans op een volgend meisje dan iets anders?"

• De analogie: Het is alsof de natuur een beetje "geheugen" heeft. Misschien is de kans op een volgend meisje iets groter als je al een meisje hebt (of juist kleiner).
• Hjort heeft dit onderzocht met geavanceerde computersimulaties. Hij ontdekte dat er inderdaad een heel klein beetje afhankelijkheid is. Als je een meisje hebt, is de kans op een volgend meisje iets anders dan als je een jongen had. Het effect is miniem (zoals een trage dansstap), maar met zoveel data is het meetbaar.

5. Wat betekent dit voor ons?

De kernboodschap is dat het leven complexer is dan een simpele formule.

• We zijn niet allemaal het resultaat van exact dezelfde, perfecte muntworpen.
• Er zijn kleine verschillen tussen families (sommige hebben een genetische of biologische neiging naar meer jongens, andere naar meer meisjes).
• En er is een klein beetje "geheugen" in de reeks van geboortes.

Conclusie:
De natuur is niet perfect voorspelbaar. Hoewel we over het algemeen een evenwicht zien tussen jongens en meisjes, zijn er subtiele, fascinerende patronen verborgen in de details. En om die patronen te zien, heb je niet alleen een goed oog nodig, maar vooral veel, veel data. Het is alsof je een klein detail in een enorm mozaïek probeert te zien: alleen als je heel dichtbij komt en naar het hele plaatje kijkt, zie je dat de kleuren niet helemaal gelijk zijn.

P.S. De auteur maakt ook een grapje over zijn eigen gezin (met 5 zoons) en een beroemd literair personage met 8 zoons, om te laten zien hoe deze statistische theorieën in het echte leven (en in boeken) terugkomen.

Technische samenvatting

Titel: Overdispersie en Markoviaanse Kinderen: Een Analyse van Geslachtsverhoudingen in Families

Auteur: Nils Lid Hjort (Universiteit van Oslo)
Datum: April 2026 (herziene versie van een blogpost uit 2018)

---

1. Probleemstelling en Achtergrond

Het artikel onderzoekt de klassieke statistische aanname dat de geboorte van een jongen of meisje een onafhankelijk proces is met een vaste kans $p = 0.50$ (een "eerlijke munt"). Hoewel dit een goede eerste benadering is, suggereert zorgvuldige analyse van grote datasets dat de werkelijkheid complexer is.

De kernvragen zijn:

1. Is de geslachtsratio ($p = P(\text{meisje})$) echt 0.50, of is er een systematische afwijking?
2. Is er sprake van overdispersie: variëren de geslachtskansen ($p$) tussen verschillende families, wat leidt tot meer families met "alleen jongens" of "alleen meisjes" dan de binomiale verdeling voorspelt?
3. Is er een Markoviaanse afhankelijkheid: hangt het geslacht van het volgende kind af van het geslacht van het vorige kind?
4. Hoe beïnvloedt de enorme steekproefgrootte de p-waarden en de detectiekracht van statistische tests voor deze subtiele effecten?

De analyse is gebaseerd op historische data van Arthur Geißler (1889) uit Saksen, bestaande uit 38.495 families met precies 8 kinderen (en data voor gezinsgroottes $m=1$ tot $m=12$).

---

2. Methodologie

Hjort hanteert een hiërarchische benadering om de data te modelleren, gaande van het eenvoudigste naar complexere modellen:

A. Basisveronderstellingen en Schatting van $p$

• Null-hypothese: Onafhankelijke binomiale verdeling $Bin(m, p)$ met $p=0.50$.
• Schatting: De geschatte kans op een meisje is $\hat{p} \approx 0.485$.
• Steekproefgrootte-analyse: Het artikel berekent dat een zeer grote steekproef ($n \geq 14.433$ kinderen) nodig is om met 95% zekerheid een verschil tussen 0.50 en 0.485 te detecteren. Met moderne registers is dit haalbaar, maar historische studies vereisten enorme datasets.

B. Detectie van Overdispersie (Beta-Binomiale Model)

Om overdispersie te testen (waarbij $p$ varieert per familie), wordt het Beta-binomiale model gebruikt. Hierbij wordt aangenomen dat $p$ voor elke familie getrokken wordt uit een Beta-verdeling $Beta(a, b)$.

• Methode: Schatting van de parameters via momentenmethode en minimum-kwadraatmethode (Pearson-residuen).
• Teststatistiek: De verhouding $W_n = S_n^2 / (m\hat{p}(1-\hat{p}))$, waarbij $S_n^2$ de totale variantie is. Onder de null-hypothese (geen overdispersie) zou deze verhouding 1 moeten zijn.
• Simulaties: Er worden simulaties uitgevoerd om de verdeling van $W_n$ onder de null-hypothese te bepalen en de benodigde steekproefgrootte voor significantie te berekenen.

C. Markoviaanse Afhankelijkheid

Omdat de Geißler-data alleen het aantal meisjes per gezin geeft en niet de volgorde, is een directe Markov-analyse onmogelijk. Hjort gebruikt een gesimuleerde log-likelihood-methode:

• Een Markov-keten wordt gedefinieerd met een overgangsmatrix die afhankelijk is van een parameter $k$.
• $k=1$ betekent onafhankelijkheid; $k < 1$ impliceert een positieve correlatie tussen opeenvolgende kinderen van hetzelfde geslacht.
• Door simulaties van geslachtsreeksen te genereren, wordt de waarschijnlijkheidsverdeling $f_3(y, \theta)$ geschat en vergeleken met de waargenomen data via log-likelihood en AIC/BIC criteria.

D. Invloed van Steekproefgrootte

Een belangrijk methodologisch onderdeel is het analyseren van hoe de steekproefgrootte ($n$) de p-waarden beïnvloedt. Met zeer grote $n$ worden zelfs zeer kleine afwijkingen (zoals een overdispersie van slechts 5%) statistisch significant.

---

3. Belangrijkste Resultaten

A. Geslachtsratio ($p$)

• De geschatte kans op een meisje is $\hat{p} \approx 0.484$ (ongeveer 48,4%), wat betekent dat er ongeveer 51,6% jongens worden geboren.
• Er is geen significant bewijs dat deze ratio varieert met de gezinsgrootte (van $m=1$ tot $m=12$), in tegenstelling tot eerdere claims in de literatuur (Edwards, 1958).

B. Overdispersie (Beta-Binomiale Fit)

• Het binomiale model (vaste $p$) past slecht op de data, vooral bij de uitersten (gezinnen met alleen jongens of alleen meisjes).
• Het Beta-binomiale model past uitstekend. De schatting voor de standaarddeviatie van de geslachtskans tussen families is $\hat{\sigma}_0 \approx 0.054$.
• Dit betekent dat ongeveer 95% van de gezinnen een geslachtskans $p$ heeft tussen 0,396 en 0,573.
• Conclusie: Er is een "extrabinomiale" variatie; sommige families hebben een genetische of biologische neiging tot meer jongens of meer meisjes.

C. Markoviaanse Afhankelijkheid

• Het Markov-model (waarbij het geslacht van het volgende kind licht afhankelijk is van het vorige) past even goed als het Beta-binomiale model.
• De geschatte correlatie tussen opeenvolgende kinderen van hetzelfde geslacht is ongeveer 0,044 (corresponding met $k \approx 0,956$).
• Hoewel het effect klein is, is het statistisch significant vanwege de enorme dataset.

D. Steekproefgrootte en Detectiekracht

• Met een kleine steekproef (bijv. $n=500$ families) is de overdispersie niet significant.
• Bij $n=1.500$ wordt het p-waarde zeer overtuigend.
• Bij de volledige dataset ($n=38.495$) wordt de null-hypothese van een puur binomiale verdeling volledig verworpen.
• De paper toont aan dat "statistische microscopes" (grote datasets) in staat zijn om zeer subtiele biologische mechanismen te detecteren die in kleinere studies onzichtbaar blijven.

E. Oververtegenwoordiging van "Royal Straight Flush" Families

• Er zijn aanzienlijk meer gezinnen met alleen jongens of alleen meisjes dan de binomiale theorie voorspelt.
• Bij gezinnen met 8 kinderen is de oververtegenwoordigingsratio (Beta-binomiaal vs. Binomiaal) ongeveer 1,32 voor alleen-jongens en 1,38 voor alleen-meisjes.

---

4. Bijdragen en Significatie

1. Methodologische Verduidelijking: Het artikel illustreert op een didactische manier hoe steekproefgrootte de interpretatie van p-waarden beïnvloedt. Het benadrukt dat "statistische significantie" niet altijd gelijkstaat aan "groot effect", maar bij enorme datasets ook zeer kleine afwijkingen kan detecteren.
2. Modelvergelijking: Het vergelijkt succesvol drie modellen (Binomiaal, Beta-binomiaal, Markoviaan) voor dezelfde dataset, waarbij de laatste twee beide de overdispersie goed verklaren.
3. Historische Data Validatie: Het bevestigt de kwaliteit van de historische Geißler-data en corrigeert eerdere interpretaties over variatie in $p$ per gezinsgrootte.
4. Biologische Implicaties: De resultaten suggereren dat de menselijke geslachtsbepaling niet puur willekeurig is, maar beïnvloed wordt door familie-specifieke factoren (genetisch of fysiologisch) die leiden tot een variatie in $p$ en een lichte sequentiële afhankelijkheid.
5. Praktische Toepassing: Het biedt een kader voor het begrijpen van "overdispersie" in andere biologische en demografische processen.

Conclusie

Nils Lid Hjort concludeert dat de wereld van de geboorte niet wordt geregeerd door een enkele eerlijke munt, maar door een complexere structuur waarbij de kans op een meisje per familie varieert (overdispersie) en waar een zeer lichte afhankelijkheid tussen opeenvolgende kinderen bestaat. De enorme dataset uit Saksen maakt het mogelijk om deze subtiele, maar reële, afwijkingen van de standaard binomiale theorie met hoge precisie te kwantificeren.