Ebook PDF Business Analytics 4th Edition by Jeffrey D Camm PDF

(eBook PDF) Business Analytics 4th
Edition by Jeffrey D. Camm

Visit to download the full and correct content document:
https://ebooksecure.com/download/ebook-pdf-business-analytics-4th-edition-by-jeffre
y-d-camm/
vi Contents
2.4 Creating Distributions from Data 30

Frequency Distributions for Categorical Data 30
Relative Frequency and Percent Frequency Distributions 31
Frequency Distributions for Quantitative Data 32
Histograms 35
Cumulative Distributions 38
2.5 Measures of Location 40
Mean (Arithmetic Mean) 40
Median 41
Mode 42
Geometric Mean 42
2.6 Measures of Variability 45
Range 45
Variance 46
Standard Deviation 47
Coefficient of Variation 48
2.7 Analyzing Distributions 48
Percentiles 49
Quartiles 50
z-Scores 50
Empirical Rule 51
Identifying Outliers 53
Boxplots 53
2.8 Measures of Association Between Two Variables 56
Scatter Charts 56
Covariance 58
Correlation Coefficient 61
2.9 Data Cleansing 62
Missing Data 62
Blakely Tires 64
Identification of Erroneous Outliers and Other Erroneous Values 66
Variable Representation 68
Summary 69
Glossary 70
Problems 71
Case Problem 1: Heavenly Chocolates Web Site Transactions 81
Case Problem 2: African Elephant Populations 82
Available in the MindTap Reader:
Appendix: Descriptive Statistics with R
Chapter 3 Data Visualization 85

3.1 Overview of Data Visualization 88
Effective Design Techniques 88
3.2 Tables 91
Table Design Principles 92
Crosstabulation 93
Copyright 2021 Cengage Learning. All Rights Reserved. May not be copied, scanned, or duplicated, in whole or in part. Due to electronic rights, some third party content may be suppressed from the eBook and/or eChapter(s).
Editorial review has deemed that any suppressed content does not materially affect the overall learning experience. Cengage Learning reserves the right to remove additional content at any time if subsequent rights restrictions require it.
Contents vii
PivotTables in Excel 96
Recommended PivotTables in Excel 100
3.3 Charts 102
Scatter Charts 102
Recommended Charts in Excel 104
Line Charts 105
Bar Charts and Column Charts 109
A Note on Pie Charts and Three-Dimensional Charts 110
Bubble Charts 112
Heat Maps 113
Additional Charts for Multiple Variables 115
PivotCharts in Excel 118
3.4 Advanced Data Visualization 120
Advanced Charts 120
Geographic Information Systems Charts 123
3.5 Data Dashboards 125
Principles of Effective Data Dashboards 125
Applications of Data Dashboards 126
Summary 128
Glossary 128
Problems 129
Case Problem 1: Pelican stores 139
Case Problem 2: Movie Theater Releases 140
Appendix: Data Visualization in Tableau 141
Appendix: Creating Tabular and Graphical Presentations with R
Chapter 4 Probability: An Introduction to Modeling

Uncertainty 157
4.1 Events and Probabilities 159
4.2 Some Basic Relationships of Probability 160
Complement of an Event 160
Addition Law 161
4.3 Conditional Probability 163
Independent Events 168
Multiplication Law 168
Bayes’ Theorem 169
4.4 Random Variables 171
Discrete Random Variables 171
Continuous Random Variables 172
4.5 Discrete Probability Distributions 173
Custom Discrete Probability Distribution 173
Expected Value and Variance 175
Discrete Uniform Probability Distribution 178
Binomial Probability Distribution 179
Poisson Probability Distribution 182
viii Contents
4.6 Continuous Probability Distributions 185

Uniform Probability Distribution 185
Triangular Probability Distribution 187
Normal Probability Distribution 189
Exponential Probability Distribution 194
Summary 198
Glossary 198
Problems 200
Case Problem 1: Hamilton County Judges 209
Case Problem 2: McNeil’s Auto Mall 210
Case Problem 3: Gebhardt Electronics 211
Appendix: Discrete Probability Distributions with R
Appendix: Continuous Probability Distributions with R
Chapter 5 Descriptive Data Mining 213

5.1 Cluster Analysis 215
Measuring Distance Between Observations 215
k-Means Clustering 218
Hierarchical Clustering and Measuring Dissimilarity
Between Clusters 221
Hierarchical Clustering Versus k-Means Clustering 225
5.2 Association Rules 226
Evaluating Association Rules 228
5.3 Text Mining 229
Voice of the Customer at Triad Airline 229
Preprocessing Text Data for Analysis 231
Movie Reviews 232
Computing Dissimilarity Between Documents 234
Word Clouds 234
Summary 235
Glossary 235
Problems 237
Case Problem 1: Big Ten Expansion 251
Case Problem 2: Know Thy Customer 251
Appendix: Getting Started with Rattle in R
Appendix: k-Means Clustering with R
Appendix: Hierarchical Clustering with R
Appendix: Association Rules with R
Appendix: Text Mining with R
Appendix: R/Rattle Settings to Solve Chapter 5 Problems
Appendix: Opening and Saving Excel Files in JMP Pro
Appendix: Hierarchical Clustering with JMP Pro
Contents ix
Appendix: k-Means Clustering with JMP Pro

Appendix: Association Rules with JMP Pro
Appendix: Text Mining with JMP Pro
Appendix: JMP Pro Settings to Solve Chapter 5 Problems
Chapter 6 Statistical Inference 253
6.1 Selecting a Sample 256
Sampling from a Finite Population 256
Sampling from an Infinite Population 257
6.2 Point Estimation 260
Practical Advice 262
6.3 Sampling Distributions 262
Sampling Distribution of x 265
Sampling Distribution of p 270
6.4 Interval Estimation 273
Interval Estimation of the Population Mean 273
Interval Estimation of the Population Proportion 280
6.5 Hypothesis Tests 283
Developing Null and Alternative Hypotheses 283
Type I and Type II Errors 286
Hypothesis Test of the Population Mean 287
Hypothesis Test of the Population Proportion 298
6.6 Big Data, Statistical Inference, and Practical Significance 301
Sampling Error 301
Nonsampling Error 302
Big Data 303
Understanding What Big Data Is 304
Big Data and Sampling Error 305
Big Data and the Precision of Confidence Intervals 306
Implications of Big Data for Confidence Intervals 307
Big Data, Hypothesis Testing, and p Values 308
Implications of Big Data in Hypothesis Testing 310
Summary 310
Glossary 311
Problems 314
Case Problem 1: Young Professional Magazine 324
Case Problem 2: Quality Associates, Inc. 325
Appendix: Random Sampling with R
Appendix: Interval Estimation with R
Appendix: Hypothesis Testing with R
Chapter 7 Linear Regression 327
7.1 Simple Linear Regression Model 329
Regression Model 329
Estimated Regression Equation 329
x Contents
7.2 Least Squares Method 331

Least Squares Estimates of the Regression Parameters 333
Using Excel’s Chart Tools to Compute the Estimated Regression
Equation 335
7.3 Assessing the Fit of the Simple Linear Regression Model 337
The Sums of Squares 337
The Coefficient of Determination 339
Using Excel’s Chart Tools to Compute the Coefficient
of Determination 340
7.4 The Multiple Regression Model 341
Estimated Multiple Regression Equation 341
Least Squares Method and Multiple Regression 342
Butler Trucking Company and Multiple Regression 342
Using Excel’s Regression Tool to Develop the Estimated Multiple
Regression Equation 343
7.5 Inference and Regression 346
Conditions Necessary for Valid Inference in the Least Squares
Testing Individual Regression Parameters 351
Addressing Nonsignificant Independent Variables 354
Multicollinearity 355
7.6 Categorical Independent Variables 358
Butler Trucking Company and Rush Hour 358
Interpreting the Parameters 360
More Complex Categorical Variables 361
7.7 Modeling Nonlinear Relationships 363
Quadratic Regression Models 364
Piecewise Linear Regression Models 368
Interaction Between Independent Variables 370
7.8 Model Fitting 375
Variable Selection Procedures 375
Overfitting 376
7.9 Big Data and Regression 377
Inference and Very Large Samples 377
Model Selection 380
7.10 Prediction with Regression 382
Summary 384
Glossary 384
Problems 386
Case Problem 1: Alumni Giving 402
Case Problem 2: Consumer Research, Inc. 404
Case Problem 3: Predicting Winnings for NASCAR Drivers 405
Appendix: Simple Linear Regression with R
Contents xi
Appendix: Multiple Linear Regression with R

Appendix: Regression Variable Selection Procedures with R
Chapter 8 Time Series Analysis and Forecasting 407

8.1 Time Series Patterns 410
Horizontal Pattern 410
Trend Pattern 412
Seasonal Pattern 413
Trend and Seasonal Pattern 414
Cyclical Pattern 417
Identifying Time Series Patterns 417
8.2 Forecast Accuracy 417
8.3 Moving Averages and Exponential Smoothing 421
Moving Averages 422
Exponential Smoothing 426
8.4 Using Regression Analysis for Forecasting 430
Linear Trend Projection 430
Seasonality Without Trend 432
Seasonality with Trend 433
Using Regression Analysis as a Causal Forecasting Method 436
Combining Causal Variables with Trend and Seasonality Effects 439
Considerations in Using Regression in Forecasting 440
8.5 Determining the Best Forecasting Model to Use 440
Summary 441
Glossary 441
Problems 442
Case Problem 1: Forecasting Food and Beverage Sales 450
Case Problem 2: Forecasting Lost Sales 450
Appendix: Using the Excel Forecast Sheet 452
Appendix: Forecasting with R
Chapter 9 Predictive Data Mining 459

9.1 Data Sampling, Preparation, and Partitioning 461
Static Holdout Method 461
k-Fold Cross-Validation 462
Class Imbalanced Data 463
9.2 Performance Measures 464
Evaluating the Classification of Categorical Outcomes 464
Evaluating the Estimation of Continuous Outcomes 470
9.3 Logistic Regression 471
9.4 k-Nearest Neighbors 475
Classifying Categorical Outcomes with k-Nearest Neighbors 475
Estimating Continuous Outcomes with k-Nearest Neighbors 477
xii Contents
9.5 Classification and Regression Trees 478

Classifying Categorical Outcomes with a Classification Tree 478
Estimating Continuous Outcomes with a Regression Tree 483
Ensemble Methods 485
Summary 489
Glossary 491
Problems 492
Case Problem: Grey Code Corporation 505
Appendix: Classification via Logistic Regression with R
Appendix: k-Nearest Neighbor Classification with R
Appendix: k-Nearest Neighbor Regression with R
Appendix: Individual Classification Trees with R
Appendix: Individual Regression Trees with R
Appendix: Random Forests of Classification Trees with R
Appendix: Random Forests of Regression Trees with R
Appendix: R/Rattle Settings to Solve Chapter 9 Problems
Appendix: Data Partitioning with JMP Pro
Appendix: Classification via Logistic Regression with JMP Pro
Appendix: k-Nearest Neighbors Classification and Regression with JMP Pro
Appendix: Individual Classification and Regression Trees with JMP Pro
Appendix: Random Forests of Classification or Regression Trees with JMP Pro
Appendix: JMP Pro Settings to Solve Chapter 9 Problems
Chapter 10 Spreadsheet Models 509

10.1 Building Good Spreadsheet Models 511
Influence Diagrams 511
Building a Mathematical Model 511
Spreadsheet Design and Implementing the Model in a
Spreadsheet 513
10.2 What-If Analysis 516
Data Tables 516
Goal Seek 518
Scenario Manager 520
10.3 Some Useful Excel Functions for Modeling 525
SUM and SUMPRODUCT 526
IF and COUNTIF 528
VLOOKUP 530
10.4 Auditing Spreadsheet Models 532
Trace Precedents and Dependents 532
Show Formulas 532
Evaluate Formulas 534
Error Checking 534
Watch Window 535
Contents xiii
10.5 Predictive and Prescriptive Spreadsheet Models 536

Summary 537
Glossary 537
Problems 538
Case Problem: Retirement Plan 544
Chapter 11 Monte Carlo Simulation 547

11.1 Risk Analysis for Sanotronics LLC 549
Base-Case Scenario 549
Worst-Case Scenario 550
Best-Case Scenario 550
Sanotronics Spreadsheet Model 550
Use of Probability Distributions to Represent Random
Variables 551
Generating Values for Random Variables with Excel 553
Executing Simulation Trials with Excel 557
Measuring and Analyzing Simulation Output 557
11.2 Inventory Policy Analysis for Promus Corp 561
Spreadsheet Model for Promus 562
Generating Values for Promus Corp’s Demand 563
Executing Simulation Trials and Analyzing Output 565
11.3 Simulation Modeling for Land Shark Inc. 568
Spreadsheet Model for Land Shark 569
Generating Values for Land Shark’s Random Variables 570
Executing Simulation Trials and Analyzing Output 572
Generating Bid Amounts with Fitted Distributions 575
11.4 Simulation with Dependent Random Variables 580
Spreadsheet Model for Press Teag Worldwide 580
11.5 Simulation Considerations 585
Verification and Validation 585
Advantages and Disadvantages of Using Simulation 585
Summary 586
Summary of Steps for Conducting a Simulation Analysis 586
Glossary 587
Problems 587
Case Problem: Four Corners 600
Appendix: Common Probability Distributions for Simulation 602
Chapter 12 Linear Optimization Models 609

12.1 A Simple Maximization Problem 611
Problem Formulation 612
Mathematical Model for the Par, Inc. Problem 614
12.2 Solving the Par, Inc. Problem 614
The Geometry of the Par, Inc. Problem 615
Solving Linear Programs with Excel Solver 617
xiv Contents
12.3 A Simple Minimization Problem 621

Problem Formulation 621
Solution for the M&D Chemicals Problem 621
12.4 Special Cases of Linear Program Outcomes 623
Alternative Optimal Solutions 624
Infeasibility 625
Unbounded 626
12.5 Sensitivity Analysis 628
Interpreting Excel Solver Sensitivity Report 628
12.6 General Linear Programming Notation and More Examples 630
Investment Portfolio Selection 631
Transportation Planning 633
Maximizing Banner Ad Revenue 637
12.7 Generating an Alternative Optimal Solution for a Linear Program 642
Summary 644
Glossary 645
Problems 646
Case Problem: Investment Strategy 660
Chapter 13 Integer Linear Optimization Models 663

13.1 Types of Integer Linear Optimization Models 664
13.2 Eastborne Realty, an Example of Integer Optimization 665
The Geometry of Linear All-Integer Optimization 666
13.3 Solving Integer Optimization Problems with Excel Solver 668
A Cautionary Note About Sensitivity Analysis 671
13.4 Applications Involving Binary Variables 673
Capital Budgeting 673
Fixed Cost 675
Bank Location 678
Product Design and Market Share Optimization 680
13.5 Modeling Flexibility Provided by Binary Variables 683
Multiple-Choice and Mutually Exclusive Constraints 683
k Out of n Alternatives Constraint 684
Conditional and Corequisite Constraints 684
13.6 Generating Alternatives in Binary Optimization 685
Summary 687
Glossary 688
Problems 689
Case Problem: Applecore Children’s Clothing 701
Chapter 14 Nonlinear Optimization Models 703

14.1 A Production Application: Par, Inc. Revisited 704
An Unconstrained Problem 704
A Constrained Problem 705
Solving Nonlinear Optimization Models Using Excel Solver 707
Sensitivity Analysis and Shadow Prices in Nonlinear Models 708
Contents xv
14.2 Local and Global Optima 709

Overcoming Local Optima with Excel Solver 712
14.3 A Location Problem 714
14.4 Markowitz Portfolio Model 715
14.5 Adoption of a New Product: The Bass Forecasting Model 720
Summary 723
Glossary 724
Problems 724
Case Problem: Portfolio Optimization with Transaction Costs 732
Chapter 15 Decision Analysis 737
15.1 Problem Formulation 739
Payoff Tables 740
Decision Trees 740
15.2 Decision Analysis Without Probabilities 741
Optimistic Approach 741
Conservative Approach 742
Minimax Regret Approach 742
15.3 Decision Analysis with Probabilities 744
Expected Value Approach 744
Risk Analysis 746
Sensitivity Analysis 747
15.4 Decision Analysis with Sample Information 748
Expected Value of Sample Information 753
Expected Value of Perfect Information 753
15.5 Computing Branch Probabilities with Bayes’ Theorem 754
15.6 Utility Theory 757
Utility and Decision Analysis 758
Utility Functions 762
Exponential Utility Function 765
Summary 767
Glossary 767
Problems 769
Case Problem: Property Purchase Strategy 780
ulti-Chapter Case ProblemS

M
Capital State University Game-Day Magazines 783
Hanover Inc. 785

Appendix A Basics of Excel 787
Appendix B Database Basics with Microsoft Access 799
Appendix C Solutions to Even-Numbered Problems (MindTap Reader)
References 837
Index 839
About the Authors
Jeffrey D. Camm. is the Inmar Presidential Chair and Associate Dean of Business Analyt-
ics in the School of Business at Wake Forest University. Born in Cincinnati, Ohio, he holds
a B.S. from Xavier University (Ohio) and a Ph.D. from Clemson University. Prior to joining
the faculty at Wake Forest, he was on the faculty of the University of Cincinnati. He has also
been a visiting scholar at Stanford University and a visiting professor of business adminis-
tration at the Tuck School of Business at Dartmouth College.
Dr. Camm has published over 40 papers in the general area of optimization applied
to problems in operations management and marketing. He has published his research in
Science, Management Science, Operations Research, Interfaces, and other professional
journals. Dr. Camm was named the Dornoff Fellow of Teaching Excellence at the University
of Cincinnati and he was the 2006 recipient of the INFORMS Prize for the Teaching of
Operations Research Practice. A firm believer in practicing what he preaches, he has served
as an operations research consultant to numerous companies and government agencies. From
2005 to 2010 he served as editor-in-chief of Interfaces. In 2016, Professor Camm received
the George E. Kimball Medal for service to the operations research profession, and in 2017
he was named an INFORMS Fellow.
James J. Cochran. James J. Cochran is Associate Dean for Research, Professor of Applied
Statistics and the Rogers-Spivey Faculty Fellow at The University of Alabama. Born in Day-
ton, Ohio, he earned his B.S., M.S., and M.B.A. from Wright State University and his Ph.D.
from the University of Cincinnati. He has been at The University of Alabama since 2014 and
has been a visiting scholar at Stanford University, Universidad de Talca, the University of
South Africa and Pole Universitaire Leonard de Vinci.
Dr. Cochran has published more than 40 papers in the development and application of
operations research and statistical methods. He has published in several journals, including
Management Science, The American Statistician, Communications in Statistics—Theory
and Methods, Annals of Operations Research, European Journal of Operational Research,
Journal of Combinatorial Optimization, Interfaces, and Statistics and Probability Letters. He
received the 2008 INFORMS Prize for the Teaching of Operations Research Practice, 2010
Mu Sigma Rho Statistical Education Award and 2016 Waller Distinguished Teaching Career
Award from the American Statistical Association. Dr. Cochran was elected to the International
Statistics Institute in 2005, named a Fellow of the American Statistical Association in 2011,
and named a Fellow of INFORMS in 2017. He also received the Founders Award in 2014 and
the Karl E. Peace Award in 2015 from the American Statistical Association, and he received
the INFORMS President’s Award in 2019.
A strong advocate for effective operations research and statistics education as a means
of improving the quality of applications to real problems, Dr. Cochran has chaired teaching
effectiveness workshops around the globe. He has served as an operations research consultant
to numerous companies and not-for-profit organizations. He served as editor-in-chief of
INFORMS Transactions on Education and is on the editorial board of INFORMS Journal
of Applied Analytics, International Transactions in Operational Research, and Significance.
Michael J. Fry. Michael J. Fry is Professor of Operations, Business Analytics, and Infor-
mation Systems (OBAIS) and Academic Director of the Center for Business Analytics in
the Carl H. Lindner College of Business at the University of Cincinnati. Born in Killeen,
Texas, he earned a B.S. from Texas A&M University, and M.S.E. and Ph.D. degrees from
the University of Michigan. He has been at the University of Cincinnati since 2002, where
he served as Department Head from 2014 to 2018 and has been named a Lindner Research
Fellow. He has also been a visiting professor at Cornell University and at the University of
British Columbia.
xviii About the Authors
Professor Fry has published more than 25 research papers in journals such as Operations
Research, Manufacturing & Service Operations Management, Transportation Science, Naval
Research Logistics, IIE Transactions, Critical Care Medicine, and Interfaces. He serves on
editorial boards for journals such as Production and Operations Management, INFORMS
Journal of Applied Analytics (formerly Interfaces), and Journal of Quantitative Analysis in
Sports. His research interests are in applying analytics to the areas of supply chain manage-
ment, sports, and public-policy operations. He has worked with many different organizations
for his research, including Dell, Inc., Starbucks Coffee Company, Great American Insurance
Group, the Cincinnati Fire Department, the State of Ohio Election Commission, the Cincin-
nati Bengals, and the Cincinnati Zoo & Botanical Gardens. In 2008, he was named a finalist
for the Daniel H. Wagner Prize for Excellence in Operations Research Practice, and he has
been recognized for both his research and teaching excellence at the University of Cincinnati.
In 2019, he led the team that was awarded the INFORMS UPS George D. Smith Prize on
behalf of the OBAIS Department at the University of Cincinnati.
Jeffrey W. Ohlmann. Jeffrey W. Ohlmann is Associate Professor of Business Analytics

and Huneke Research Fellow in the Tippie College of Business at the University of Iowa.
Born in Valentine, Nebraska, he earned a B.S. from the University of Nebraska, and M.S.
and Ph.D. degrees from the University of Michigan. He has been at the University of Iowa
since 2003.
Professor Ohlmann’s research on the modeling and solution of decision-making prob-
lems has produced more than two dozen research papers in journals such as Operations
Research, Mathematics of Operations Research, INFORMS Journal on Computing, Trans-
portation Science, and the European Journal of Operational Research. He has collaborated
with companies such as Transfreight, LeanCor, Cargill, the Hamilton County Board of Elec-
tions, and three National Football League franchises. Because of the relevance of his work
to industry, he was bestowed the George B. Dantzig Dissertation Award and was recognized
as a finalist for the Daniel H. Wagner Prize for Excellence in Operations Research Practice.
Preface
B usiness Analytics 4E is designed to introduce the concept of business analytics to under-
graduate and graduate students. This edition builds upon what was one of the first collec-
tions of materials that are essential to the growing field of business analytics. In Chapter 1, we
present an overview of business analytics and our approach to the material in this textbook. In
simple terms, business analytics helps business professionals make better decisions based on
data. We discuss models for summarizing, visualizing, and understanding useful information
from historical data in Chapters 2 through 6. Chapters 7 through 9 introduce methods for both
gaining insights from historical data and predicting possible future outcomes. C hapter 10 cov-
ers the use of spreadsheets for examining data and building decision models. In Chapter 11,
we demonstrate how to explicitly introduce uncertainty into spreadsheet models through the
use of Monte Carlo simulation. In Chapters 12 through 14, we discuss optimization models
to help decision makers choose the best decision based on the available data. Chapter 15 is an
overview of decision analysis approaches for incorporating a decision maker’s views about
risk into decision making. In Appendix A we present optional material for students who need
to learn the basics of using Microsoft Excel. The use of databases and manipulating data in
Microsoft Access is discussed in Appendix B. Appendixes in many chapters illustrate the
use of additional software tools such as R, JMP Pro and Tableau to apply analytics methods.
This textbook can be used by students who have previously taken a course on basic
statistical methods as well as students who have not had a prior course in statistics. Business
Analytics 4E is also amenable to a two-course sequence in business statistics and analytics.
All statistical concepts contained in this textbook are presented from a business analytics
perspective using practical business examples. Chapters 2, 4, 6, and 7 provide an intro-
duction to basic statistical concepts that form the foundation for more advanced analytics
methods. Chapters 3, 5, and 9 cover additional topics of data visualization and data mining
that are not traditionally part of most introductory business statistics courses, but they are
exceedingly important and commonly used in current business environments. Chapter 10
and Appendix A provide the foundational knowledge students need to use Microsoft Excel
for analytics applications. Chapters 11 through 15 build upon this spreadsheet knowledge
to present additional topics that are used by many organizations that are leaders in the use
of prescriptive analytics to improve decision making.
Updates in the Fourth Edition

The fourth edition of Business Analytics is a major revision. We have added online appen-
dixes for many topics in Chapters 1 through 9 that introduce the use of R, the exceptionally
popular open-source software for analytics. Business Analytics 4E also includes an appendix
to Chapter 3 introducing the powerful data visualization software Tableau. We have further
enhanced our data mining chapters to allow instructors to choose their preferred means of
teaching this material in terms of software usage. We have expanded the number of concep-
tual homework problems in both Chapters 5 and 9 to increase the number of opportunities
for students learn about data mining and solve problems without the use of data mining soft-
ware. Additionally, we now include online appendixes on using JMP Pro and R for teaching
data mining so that instructors can choose their favored way of teaching this material. Other
changes in this edition include an expanded discussion of binary variables for integer optimi-
zation in Chapter 13, an additional example in Chapter 11 for Monte Carlo simulation, and
new and revised homework problems and cases.
●● Tableau Appendix for Data Visualization. Chapter 3 now includes a new appendix
that introduces the use of the software Tableau for data visualization. Tableau is a very
powerful software for creating meaningful data visualizations that can be used to dis-
play, and to analyze, data. The appendix includes step-by-step directions for generating
many of the charts used in Chapters 2 and 3 in Tableau.
xx Preface
●● Incorporation of R. R is an exceptionally powerful open-source software that is

widely used for a variety of statistical and analytics methods. We now include online
appendixes that introduce the use of R for many of the topics covered in Chapters 1
through 9, including data visualization and data mining. These appendixes include
step-by-step directions for using R to implement the methods described in these chap-
ters. To facilitate the use of R, we introduce RStudio, an open-source integrated devel-
opment environment (IDE) that provides a menu-driven interface for R. For Chapters 5
and 9 that cover data mining, we introduce the use of Rattle, a library package provid-
ing a graphical-user interface for R specifically tailored for data mining functionality.
The use of RStudio and Rattle eases the learning curve of using R so that students can
focus on learning the methods and interpreting the output.
●● Updates for Data Mining Chapters. Chapters 5 and 9 have received extensive
updates. We have moved the Descriptive Data Mining chapter to Chapter 5 so that it is
located after our chapter on Probability. This allows us to use probability concepts such
as conditional probability to explain association rule measures. Additional content on
text mining and further discussion of ways to measure distance between observations
have been added to a reorganized Descriptive Data Mining chapter. Descriptions of
cross-validation approaches, methods of addressing class imbalanced data, and out-
of-bag estimation in ensemble methods have been added to Chapter 9 on Predictive
Data Mining. The end-of-chapter problems in Chapters 5 and 9 have been revised
and generalized to accommodate the use of a wide range of data mining software. To
allow instructors to choose different software for use with these chapters, we have
created online appendixes for both JMP Pro and R. JMP has introduced a new version
of its software (JMP Pro 14) since the previous edition of this textbook, so we have
updated our JMP Pro output and step-by-step instructions to reflect changes in this soft-
ware. We have also written online appendixes for Chapters 5 and 9 that use R and the
graphical-user interface Rattle to introduce topics from these chapters to students. The
use of Rattle removes some of the more difficult line-by-line coding in R to perform
many common data mining techniques so that students can concentrate on learning
the methods rather than coding syntax. For some data mining techniques that are not
available in Rattle, we show how to accomplish these methods using R code. And for
all of our textbook examples, we include the exact R code that can be used to solve
the examples. We have also added homework problems to Chapters 5 and 9 that can
be solved without using any specialized software. This allows instructors to cover the
basics of data mining without introducing any additional software. The online appen-
dixes for Chapters 5 and 9 also include JMP Pro and R specific instructions for how to
solve the end-of-chapter problems and cases using JMP Pro and R. Problem and case
solutions using both JMP Pro and R are also available to instructors.
●● Additional Simulation Model Example. We have added an additional example of a
simulation model in Chapter 11. This new example helps bridge the gap in the difficultly
levels of the previous examples. The new example also gives students additional informa-
tion on how to build and interpret simulation models.
●● New Cases. Business Analytics 4E includes nine new end-of-chapter cases that allow
students to work on more extensive problems related to the chapter material and work with
larger data sets. We have also written two new cases that require the use of material from
multiple chapters. This helps students understand the connections between the material
in different chapters and is more representative of analytics projects in practice where the
methods used are often not limited to a single type.
●● Legal and Ethical Issues Related to Analytics and Big Data. Chapter 1 now includes a
section that discusses legal and ethical issues related to analytics and the use of big data.
This section discusses legal issues related to the protection of data as well as ethical issues
related to the misuse and unintended consequences of analytics applications.
Preface xxi
●● New End-of-Chapter Problems. The fourth edition of this textbook includes more
than 20 new problems. We have also revised many of the existing problems to update
and improve clarity. Each end-of-chapter problem now also includes a short header to
make the application of the exercise more clear. As we have done in past editions, Excel
solution files are available to instructors for problems that require the use of Excel. For
problems that require the use of software in the data-mining chapters (Chapters 5 and 9),
we include solutions for both JMP Pro and R/Rattle.
Continued Features and Pedagogy

In the fourth edition of this textbook, we continue to offer all of the features that have been
successful in the first two editions. Some of the specific features that we use in this textbook
are listed below.
●● Integration of Microsoft Excel: Excel has been thoroughly integrated throughout
this textbook. For many methodologies, we provide instructions for how to perform
calculations both by hand and with Excel. In other cases where realistic models are
practical only with the use of a spreadsheet, we focus on the use of Excel to describe
the methods to be used.
●● Notes and Comments: At the end of many sections, we provide Notes and Comments
to give the student additional insights about the methods presented in that section.
These insights include comments on the limitations of the presented methods, recom-
mendations for applications, and other matters. Additionally, margin notes are used
throughout the textbook to provide additional insights and tips related to the specific
material being discussed.
●● Analytics in Action: Each chapter contains an Analytics in Action article. Several of
these have been updated and replaced for the fourth edition. These articles present inter-
esting examples of the use of business analytics in practice. The examples are drawn
from many different organizations in a variety of areas including healthcare, finance,
manufacturing, marketing, and others.
●● DATAfiles and MODELfiles: All data sets used as examples and in student exercises
are also provided online on the companion site as files available for download by the
student. DATAfiles are Excel files (or .csv files for easy import into JMP Pro and
R/Rattle) that contain data needed for the examples and problems given in the text-
book. MODELfiles contain additional modeling features such as extensive use of
Excel formulas or the use of Excel Solver, JMP Pro, or R.
●● Problems and Cases: With the exception of Chapter 1, each chapter contains an exten-
sive selection of problems to help the student master the material presented in that
chapter. The problems vary in difficulty and most relate to specific examples of the use
of business analytics in practice. Answers to even-numbered problems are provided in
an online supplement for student access. With the exception of Chapter 1, each chapter
also includes at least one in-depth case study that connects many of the different meth-
ods introduced in the chapter. The case studies are designed to be more open-ended than
the chapter problems, but enough detail is provided to give the student some direction
in solving the cases. New to the fourth edition is the inclusion of two cases that require
the use of material from multiple chapters in the text to better illustrate how concepts
from different chapters relate to each other.
MindTap
MindTap is a customizable digital course solution that includes an interactive eBook, au-
tograded exercises from the textbook, algorithmic practice problems with solutions feed-
back, Exploring Analytics visualizations, Adaptive Test Prep, and more! MindTap is also
xxii Preface
where instructors and users can find the online appendixes for JMP Pro and R/Rattle.
All of these materials offer students better access to resources to understand the mate-
rials within the course. For more information on MindTap, please contact your Cengage
representative.
WebAssign
Prepare for class with confidence using WebAssign from Cengage. This online learning
platform fuels practice, so students can truly absorb what you learn – and are better prepared
come test time. Videos, Problem Walk-Throughs, and End-of-Chapter problems and cases
with instant feedback help them understand the important concepts, while instant grading
allows you and them to see where they stand in class. Class Insights allows students to see
what topics they have mastered and which they are struggling with, helping them identify
where to spend extra time. Study Smarter with WebAssign.
For Students
Online resources are available to help the student work more efficiently. The resources can
be accessed through www.cengage.com/decisionsciences/camm/ba/4e.
●● R, RStudio, and Rattle: R, RStudio, and Rattle are open-source software, so they are free
to download. Business Analytics 4E includes step-by-step instructions for downloading
these software.
●● JMP Pro: Many universities have site licenses of SAS Institute’s JMP Pro software on
both Mac and Windows. These are typically offered through your university’s software
licensing administrator. Faculty may contact the JMP Academic team to find out if their
universities have a license or to request a complementary instructor copy at www.jmp
.com/contact-academic. For institutions without a site license, students may rent a 6- or
12-month license for JMP at www.onthehub.com/jmp.
●● Data Files: A complete download of all data files associated with this text.
For Instructors
Instructor resources are available to adopters on the Instructor Companion Site, which can be
found and accessed at www.cengage.com/decisionsciences/camm/ba/4e including:
●● Solutions Manual: The Solutions Manual, prepared by the authors, includes solutions
for all problems in the text. It is available online as well as print. Excel solution files
are available to instructors for those problems that require the use of Excel. Solutions
for Chapters 5 and 9 are available using both JMP Pro and R/Rattle for data mining
problems.
●● Solutions to Case Problems: These are also prepared by the authors and contain
solutions to all case problems presented in the text. Case solutions for Chapters 5 and 9
are provided using both JMP Pro and R/Rattle. Extensive case solutions are also pro-
vided for the new multi-chapter cases that draw on material from multiple chapters.
●● PowerPoint Presentation Slides: The presentation slides contain a teaching outline
that incorporates figures to complement instructor lectures.
●● Test Bank: Cengage Learning Testing Powered by Cognero is a flexible, online system
that allows you to:
●● author, edit, and manage test bank content from multiple Cengage Learning solutions,
●● create multiple test versions in an instant, and
●● deliver tests from your Learning Management System (LMS), your classroom,
or wherever you want.
Preface xxiii
Acknowledgments
We would like to acknowledge the work of reviewers and users who have provided com-
ments and suggestions for improvement of this text. Thanks to:
Rafael Becerril Arreola
University of South Carolina
Matthew D. Bailey
Bucknell University
Phillip Beaver
University of Denver
M. Khurrum S. Bhutta
Ohio University
Paolo Catasti
Virginia Commonwealth University
Q B. Chung
Villanova University
Elizabeth A. Denny
University of Kentucky
Mike Taein Eom
University of Portland
Yvette Njan Essounga
Fayetteville State University
Lawrence V. Fulton
Texas State University
Tom Groleau
Carthage College
James F. Hoelscher
Lincoln Memorial University
Eric Huggins
Fort Lewis College
Faizul Huq
Ohio University
Marco Lam
York College of Pennsylvania
Thomas Lee
University of California, Berkeley
Roger Myerson
Northwestern University
Ram Pakath
University of Kentucky
Susan Palocsay
James Madison University
Andy Shogan
University of California, Berkeley
Dothan Truong
Embry-Riddle Aeronautical University
Another random document with
no related content on Scribd:
— Minä hölmö pistäydyin myös hänen luokseen, ainoastaan
hetkiseksi, silloin kun menin Mitjan luo, sillä hänkin on sairastunut,
minun entinen herrani, — alkoi taas Grušenjka hätäisesti ja
kiirehtien, — nauran ja kerron tätä Mitjalle: ajattelehan, sanon,
puolalaiseni sai päähänsä laulaa minulle kitaran säestyksellä entisiä
lauluja, luulee minun heltyvän ja menevän hänelle vaimoksi. Mutta
Mitjapa ponnahtaa heti pystyyn ja alkaa sadatella… Ei, nyt minä
lähetän puolalaisherroille piirakoita! Fenja, tytönkö he ovat tänne
lähettäneet? Tässä on, anna tytölle kolme ruplaa ja kääri heille
paperiin kymmenkunta piirakkaa sekä käske viemään, mutta sinä,
Aljoša, kerro välttämättömästi Mitjalle, että minä lähetin heille
piirakoita.
— En kerro missään tapauksessa, — lausui Aljoša hymyillen.
— Äh, sinä luulet hänen siitä kärsivän; hänhän rupesi tahallaan

mustasukkaiseksi, hänestä itsestään on kaikki samantekevää, —
sanoi Grušenjka katkerasti.
— Kuinka tahallaan? — kysyi Aljoša.
— Sinä olet tyhmä, Aljošenjka, siinä se, sinä et ymmärrä tästä

mitään kaikessa viisaudessasi, siinä se. Minua ei loukkaa se, että
hän on mustasukkainen minun, tämmöisen takia, minua loukkaisi,
jos hän ei ensinkään olisi mustasukkainen. Sellainen minä olen.
Minä en loukkaannu mustasukkaisuudesta, minulla on itsellänikin
julma sydän, minä itse olen mustasukkainen. Vain se minua loukkaa,
että hän ei ensinkään rakasta minua ja oli nyt tahallaan
mustasukkainen, siinä se. Olenko minä sokea, enkö minä näe? Hän
alkaa minulle yhtäkkiä puhua tuosta Katjkasta: semmoinen ja
semmoinen se on, tilasi minua varten tohtorin Moskovasta
oikeuteen, tilasi sen pelastaakseen minut, tilasi niinikään kaikkein
parhaimman, kaikkein oppineimman asianajajan. Hän siis rakastaa
Katjkaa, kun kerran alkoi kehua häntä minulle päin silmiä,
häpeämättömät silmät hänellä on! Hän on itse syyllinen minun
edessäni, ja nytpä hän kävi minun kimppuuni saadakseen minut
syylliseksi ennen itseään ja voidakseen mukamas syyttää minua
yksistään: »Sinä olit ennen minua yksissä puolalaisen kanssa, siispä
on minunkin lupa olla Katjkan kanssa.» Siinä se on! Tahtoo työntää
kaiken syyn yksinomaan minun niskaani. Tahallaan hän kävi
kimppuuni, tahallaan, sanon sen sinulle, mutta minä…
Grušenjka ei sanonut mitä hän tekee, peitti silmänsä liinaan ja

alkoi hirveästi itkeä.
— Hän ei rakasta Katerina Ivanovnaa, — sanoi lujasti Aljoša.
— No, rakastaa tai ei rakasta, saan sen kohta itse selville, —

lausui Grušenjka uhkaava sävy äänessään ja otti silmiltään liinan.
Hänen kasvonsa vääristyivät. Aljoša näki surukseen, miten
Grušenjkan lempeät ja tyynen iloiset kasvot äkkiä muuttuivat
ärtyisiksi ja ilkeiksi.
— Riittää näistä tyhmyyksistä puhuminen! — tokaisi Grušenjka

äkkiä. — En minä ollenkaan sitä varten kutsunut sinua. Aljoša,
ystäväni, mitä huomenna, mitä huomenna tulee? Se minua kiduttaa!
Minua yksin se kiduttaa! Katson kaikkia, ei kukaan sitä ajattele, koko
asia ei ensinkään liikuta ketään. Ajatteletko edes sinä sitä?
Huomennahan tuomitaan! Kerro sinä minulle, kuinka häntä siellä
tuomitaan? Palvelijahan, palvelija tappoi, palvelija, Herra Jumala!
Tuomitaanko hänet todellakin palvelijan sijasta, ja eikö kukaan
puolusta häntä? Eihän palvelijaa ole ollenkaan ahdisteltukaan, vai
kuinka?
— Häntä on ankarasti kuulusteltu, — huomautti Aljoša miettivästi,
— mutta kaikki tulivat siihen johtopäätökseen, ettei se ole hän. Nyt
hän on hyvin sairas. Siitä saakka on ollut sairas, tuosta
kaatuvataudin kohtauksesta. Hän on todella sairas, — lisäsi Aljoša.
— Jumalani, menisit itse tuon asianajajan luo ja kertoisit hänelle

asian kahden kesken. Hänethän on kuulemma tilattu tänne Pietarista
kolmentuhannen ruplan maksusta.
— Me panimme kolmeen henkeen kolmetuhatta, minä, veli Ivan ja

Katerina Ivanovna, mutta tohtorin tilasi Moskovasta maksamalla
kaksituhatta Katerina Ivanovna yksin. Asianajaja Fetjukovitš olisi
ottanut enemmän, mutta asia tuli kuuluisaksi ympäri Venäjän,
kaikissa sanomalehdissä ja aikakauskirjoissa siitä puhutaan, ja
niinpä Fetjukovitš suostui tulemaan etupäässä kunnian vuoksi, sillä
ylen kuuluksi on juttu tullut. Minä tapasin hänet eilen.
— No ja mitä? Puhuitko hänelle? — sanoi Grušenjka kiireesti.
— Hän kuunteli eikä sanonut mitään. Sanoi, että hänelle on jo

muodostunut varma mielipide. Mutta lupasi ottaa harkitakseen
sanojani.
— Kuinka niin harkitakseen? Ah, ne ovat roistoja! He syöksevät

hänet turmioon! No, mutta tohtorin, miksi tuo on tilannut tohtorin?
— Asiantuntijaksi. Tahtovat osoittaa, että veljeni on mielenvikainen

ja on tappanut sekapäisenä ollessaan, itse tietämättään, — hymähti
Aljoša hiljaa, — mutta veljeni ei suostu tähän.
— Ah, sehän on totta, jos hän olisi tappanut! — huudahti

Grušenjka. — Sekapäinen hän oli silloin, aivan sekapäinen, ja siihen
olen minä, minä halpamainen ihminen, syypää! Mutta eihän hän ole
tappanut, ei ole tappanut! Ja kaikki syyttävät vain häntä, että hän on
tappanut, koko kaupunki. Fenjakin, hänkin todisti sillä tavoin, että
näyttää kuin Mitja olisi tappanut. Entä puodissa, ja entä tuo
virkamies, ja entä mitä ovat aikaisemmin kuulleet ravintolassa!
Kaikki, kaikki ovat häntä vastaan, sellaista on kaikkien puheen
palpatus.
— Niin, todistusten lukumäärä on kauheasti lisääntynyt, —

huomautti
Aljoša jurosti.
— Entä Grigori, Grigori Vasiljitš, hänhän pitää jyrkästi kiinni siitä,

että ovi oli auki, vatkuttaa yhä omaansa, että on nähnyt, häntä ei saa
siitä käsityksestä luopumaan, olen juossut hänen luonaan, puhunut
itse hänen kanssaan. Vielä haukkuukin!
— Niin, se on kenties kaikkein raskauttavin todistus veljeäni

vastaan, — lausui Aljoša.
— Mitä taas siihen tulee, että Mitja on mielenvikainen, niin hän on

nytkin juuri semmoinen, — alkoi Grušenjka yhtäkkiä puhua
huolestuneen ja salaperäisen näköisenä. — Tiedätkö, Aljošenjka, jo
kauan olen aikonut sanoa tästä sinulle: käyn joka päivä hänen
luonaan ja olen suorastaan ihmeissäni. Sano sinä minulle mitä
arvelet: mistä hän on nyt alkanut aina puhua? Hän alkaa puhua ja
puhuu puhumistaan, — mutta minä en voi ymmärtää mitään, luulen
hänen puhuvan jotakin viisasta, no, minähän olen tyhmä, en minä
kykene käsittämään, ajattelen; mutta hän on alkanut äkkiä puhua
minulle lapsukaisesta, jostakin pikku lapsesta näet, »miksi
lapsukainen on kurja? Lapsukaisen takia minä nyt lähden Siperiaan,
minä en ole tappanut, mutta minun on mentävä Siperiaan!» Mitä
tämä on, mikä lapsukainen se on, — minä en ymmärtänyt
hitustakaan. Rupesin vain itkemään hänen puhuessaan, sillä hän
puhui siitä hyvin kauniisti, itkee puhuessaan, minäkin aloin itkeä, hän
suuteli minua äkkiä ja siunasi kädellään. Mitä tämä on, Aljoša, kerro
sinä minulle, mikä on tuo »lapsukainen».
— Jostakin syystä on Rakitin ruvennut käymään hänen luonaan,

— hymyili Aljoša, — muuten… tämä ei ole Rakitinilta saatua. En ollut
eilen hänen luonaan, tänään menen.
— Ei, ei se ole Rakitka, se on hänen veljensä Ivan Fjodorovitš,

joka painaa hänen mieltään, hän käy hänen luonaan, siinä se on…
— lausui Grušenjka ja nolostui äkkiä. Aljoša kiinnitti aivan kuin
hämmästyen katseensa häneen.
— Ettäkö käy luona? Käykö hän siis Mitjan luona? Mitja itse sanoi
minulle, että Ivan ei ole käynyt kertaakaan.
— No… no niin, tämmöinen minä olen! En osannut pitää suutani

kiinni! — huudahti Grušenjka pahoilla mielin ja sävähti aivan
punaiseksi. — Maltahan, Aljoša, ole vaiti, olkoon niin, kun kerran en
osannut pitää suutani kiinni, niin sanon koko totuuden: hän on ollut
hänen luonaan kaksi kertaa, ensikerran aivan heti tänne tultuaan —
silloinhan hän heti riensi tänne Moskovasta, minä en ollut ennättänyt
käydä makuulle, ja toisen kerran hän tuli viikko sitten. Hän käski
Mitjan olemaan puhumatta tästä sinulle, olemaan aivan hiiskumatta,
ja kielsi puhumasta muillekin, kävi täällä salaa.
Aljoša istui syvissä mietteissä ja harkitsi jotakin. Tieto on

nähtävästi häntä hämmästyttänyt.
— Veli Ivan ei puhu kanssani Mitjan asiasta, — lausui hän hitaasti,
— ja yleensäkin hän on näinä kahtena kuukautena puhunut hyvin
vähän kanssani, ja kun minä menin hänen luokseen, niin hän aina oli
tyytymätön tulooni, niin että kolmeen viikkoon en ole käynytkään
hänen luonaan. Hm… Jos hän oli viikko sitten, niin… tämän viikon
aikana on Mitjassa todellakin tapahtunut jokin muutos…
— Muutos, muutos! — tarttui Grušenjka kiireesti puheeseen. —

Heillä on salaisuus, heillä on ollut salaisuus! Mitja itse sanoi minulle,
että on salaisuus, ja, tiedätkö, sellainen salaisuus, että Mitja ei
ollenkaan voi rauhoittua. Hänhän oli aikaisemmin iloinen, ja
iloinenhan hän on nytkin, mutta, tiedätkö, kun hän alkaa tällä tavoin
pudistella päätään ja astella huoneessa ja nyhtää oikealla
sormellaan ohimohiuksiaan, silloin tiedän, että hänellä on jokin
levottomuus sielussa… kyllä minä tiedän!… Muuten hän oli iloinen,
tänäänkin oli iloinen!
— Sinähän sanoit: kiihdyksissä?
— Hän oli kyllä kiihdyksissä, mutta iloinen. Hän on aina

kiihdyksissäkin, mutta vain hetkisen, ja sitten hän on taas iloinen,
mutta jonkin ajan kuluttua hän yhtäkkiä taas kiihtyy. Ja tiedätkö,
Aljoša, olen kaiken aikaa häntä ihmetellyt: tulossa on niin kauheata,
mutta hän nauraa hohottaa toisinaan niin jonninjoutaville asioille,
kuin itse olisi lapsi.
— Ja onko totta, että hän kielsi puhumasta minulle Ivanista?

Ihanko hän sanoi: älä puhu?
— Aivan niin hän sanoi: älä puhu. Sinua hän etupäässä pelkääkin,
Mitja nimittäin. Sillä tässä on salaisuus, hän itse sanoi, että on
salaisuus… Aljoša, ystäväni, käy ja ota selville: mikä ihmeen
salaisuus heillä on, ja tule sitten sanomaan minulle, — heittäytyi
Grušenjka äkkiä pyytelemään, — päätä sinä minun onnettoman asia,
jotta tietäisin kirotun kohtaloni! Tämän vuoksi olen sinut kutsunutkin.
— Luuletko, että se on jotakin sinua koskevaa? Silloinhan hän ei

olisi sinun kuultesi puhunut salaisuudesta.
— En tiedä. Kenties hän tahtookin juuri minulle sanoa, mutta ei

uskalla. Varoittaa edeltäpäin. Salaisuus, mukamas, on olemassa,
mutta mikä salaisuus, — sitä hän ei sanonut.
— Mutta mitä sinä itse luulet?
— Mitäkö luulen? Loppuni on käsissä, sitä minä luulen. Lopun he

ovat kaikki kolme minulle valmistaneet, sillä tässä on mukana Katjka.
Kaikki se on Katjkan työtä, hänestä se lähtee. »Hän on sellainen ja
sellainen», siis minä en ole sellainen. Mitja puhuu näin ennakolta,
varoittaa minua etukäteen. Hän on päättänyt hylätä minut, siinä on
koko salaisuus! Kolmen kesken he ovat tämän suunnitelleet —
Mitjka, Katjka, ja Ivan Fjodorovitš. Aljoša, olen kauan sitten tahtonut
kysyä sinulta: viikko takaperin hän yhtäkkiä ilmaisee minulle, että
Ivan on rakastunut Katjkaan, koska käy usein tämän luona. Puhuiko
hän minulle totta vai eikö? Sano omantunnon mukaisesti, surmaa
minut.
— Minä en valehtele sinulle. Ivan ei ole rakastunut Katerina

Ivanovnaan, niin minä luulen.
— No, niin minäkin silloin heti ajattelin! Hän valehtelee minulle,

häpeämätön, siinä se! Ja nyt hän on tullut mustasukkaiseksi tähteni
voidakseen sitten syyttää minua. Hänhän on hölmö, eihän hän osaa
peittää jälkiään, hänhän on niin avomielinen… Mutta kylläpä minä
hänelle näytän, kyllä minä hänelle! »Sinä uskot», sanoo, »minun
tappaneen» — tätä hän sanoo minulle, minulle, minua hän siitä
soimasi! Jumala hänen kanssaan! No, maltahan, laitanpa niin, että
tuolle Katjkalle käy huonosti oikeudessa! Minä sanon siellä erään
sellaisen pikku sanasen… Minä sanon siellä kaikki!
Ja hän alkoi taas katkerasti itkeä.
— Sen minä voin sinulle varmasti ilmoittaa, Grušenjka, — sanoi

Aljoša nousten paikaltaan, — että ensiksikin hän rakastaa sinua,
rakastaa enemmän kuin ketään muuta maailmassa, ja ainoastaan
sinua, usko tämä. Minä tiedän. Kyllä minä tiedän. Toiseksi sanon
sinulle sen, että minä en tahdo udella häneltä salaisuutta, ja jos hän
sen minulle tänään sanoo, niin sanon hänelle suoraan, että olen
luvannut sanoa sen sinulle. Siinä tapauksessa tulen luoksesi jo
tänään ja sanon. Mutta… minusta tuntuu… Katerina Ivanovnalla ei
tässä ole vähintäkään osaa, vaan tuo salaisuus on jotakin muuta. Se
on aivan varmaan niin. Ei ensinkään näytäkään siltä, että se koskisi
Katerina Ivanovnaa, niin minusta tuntuu. Mutta nyt hyvästi!
Aljoša puristi Grušenjkan kättä. Grušenjka itki yhä vielä. Aljoša

näki, että hän ei kovinkaan paljon ollut uskonut hänen lohdutuksiaan,
mutta jo sekin oli hyvä, että suru edes oli purkautunut, saanut
ilmaisunsa. Sääli oli Aljošan jättää hänet sellaiseen tilaan, mutta
hänellä oli kiire. Hänellä oli vielä paljon tehtävää.
2.
Kipeä jalka
Ensimmäinen näistä asioista oli rouva Hohlakovin taloon, ja hän
kiiruhti sinne saadakseen siellä toimitetuksi asiansa mahdollisimman
pian ja ennättääkseen ajoissa Mitjan luo. Rouva Hohlakov oli jo
kolme viikkoa sairastellut: jostakin syystä oli hänen jalkansa
turvonnut, ja vaikka hän ei maannut vuoteessa, niin hän kuitenkin
päivällä loikoili budoaarinsa leposohvalla viehättävässä, mutta
säädyllisessä yöpuvussa. Aljoša huomautti kerran itsekseen
viattomasti naurahtaen, että rouva Hohlakov oli sairaudestaan
huolimatta alkanut miltei koreilla: hänelle oli ilmestynyt uusia
pääkoristeita, nauhoja, avokaulaisia paitoja, ja Aljoša oivalsi, miksi
asiat olivat niin, vaikka hän karkoittikin nuo ajatukset tyhjänpäiväisinä
mielestään. Viimeisten kahden kuukauden aikana oli rouva
Hohlakovin luona alkanut käydä muiden vieraiden mukana nuori
mies Perhotin. Aljoša ei ollut käynyt talossa neljään päivään, ja
sisälle tultuaan hän koetti kiiruhtaa suoraan Lisen luo, sillä tällä oli
hänelle asiaa, koska Lise oli jo eilen lähettänyt hänen luokseen tytön
tuomaan vakavan pyynnön, että hän saapuisi heti »erään hyvin
tärkeän asian vuoksi», mikä oli erinäisistä syistä herättänyt
mielenkiintoa Aljošassa. Mutta sillä välin kuin tyttö oli ilmoittamassa
Liselle hänen tulostaan, oli rouva Hohlakov jo ennättänyt joltakulta
kuulla hänen tulleen sekä heti lähettänyt pyytämään häntä luokseen
»vain hetkiseksi». Aljoša arveli, että oli paras täyttää ensin äidin
pyyntö, sillä muuten tämä lähettäisi vähän väliä sanan Liselle hänen
istuessaan tämän luona. Rouva Hohlakov loikoi sohvalla erikoisen
komeassa juhla-asussa ja oli ilmeisesti tavattoman hermostunut.
Aljošan hän otti vastaan riemuhuudoin.
— Sataan, sataan, kokonaiseen sataan vuoteen en ole teitä

nähnyt! Kokonaiseen viikkoon, hyväinen aika, ah, tehän muuten
olittekin täällä neljä päivää sitten, keskiviikkona. Te olette menossa
Lisen luo, minä olen varma siitä, että te tahdotte mennä suoraan
hänen luokseen varpaisillanne, etten minä kuulisi. Rakas, rakas
Aleksei Fjodorovitš, jospa tietäisitte, mitä huolta hän minulle tuottaa!
Mutta siitä myöhemmin. Vaikka se onkin pääasia, niin siitä
myöhemmin. Rakas Aleksei Fjodorovitš, minä uskon Liseni
täydelleen teidän huostaanne. Luostarinvanhin Zosiman kuoleman
jälkeen — anna, Herra, rauha hänen sielulleen! (hän teki
ristinmerkin) — hänen jälkeensä minä katsoin teihin kuin
ankarasääntöisimpään munkkiin, vaikka te olettekin suloinen
uudessa puvussanne. Mistä te olette täältä löytänyt sellaisen
räätälin? Mutta ei, ei, tämä ei ole pääasia, siitä myöhemmin. Suokaa
anteeksi, että minä sanon teitä toisinaan Aljošaksi, minä olen vanha
ämmä, minulle on kaikki luvallista, — hymyili hän keimailevasti, —
mutta tästä myöskin myöhemmin. Pääasia on, kunhan vain en
unohtaisi pääasiaa! — Olkaa hyvä ja huomauttakaa minulle itse, heti
kun alan puhella liian paljon, niin sanokaa minulle: »Entä pääasia?»
Ah, mistä minä tiedän, mikä nyt on pääasia. — Siitä saakka kuin Lise
peruutti teille antamansa lupauksen, — lapsellisen lupauksensa,
Aleksei Fjodorovitš, — mennä naimisiin kanssanne, te tietysti olette
ymmärtänyt, että se kaikki oli vain kauan lepotuolissa istuneen
sairaan tytön mielikuvituksen leikittelyä, — Jumalan kiitos, hän nyt jo
kävelee. Tuo uusi tohtori, jonka Katja tilasi Moskovasta tuota
onnetonta veljeänne varten, joka huomenna… No, mitäpä
huomisesta! Minä kuolen, kun vain ajattelenkin huomista! Etupäässä
uteliaisuudesta… Sanalla sanoen tuo tohtori oli eilen meillä ja näki
Lisen… Minä maksoin hänelle viisikymmentä ruplaa käynnistä. Mutta
ei se ole sitä, ei se taaskaan ole sitä. Näettekö, minä olen nyt aivan
sekaantunut. Minulla on kiire. Miksi minulla on kiire? Minä en tiedä.
Minä en yleensä nykyään ensinkään tiedä. Kaikki on minulla mennyt
sekaisin yhdeksi sekamelskaksi. Minä pelkään, että te otatte ja
syöksytte pois luotani ikävystyksestä, ja minä sain nähdä teidät vain
vilahdukselta. Ah, hyvä Jumala! Miksi me istumme, ja ensiksi, —
kahvia, Julia, Glafira, kahvia!
Aljoša kiitti kiireesti ja selitti juuri juoneensa kahvia.
— Kenen luona?
— Agrafena Aleksandrovnan luona.
— Se on… se on tuon naisen luona! Ah, hän juuri on syössyt

kaikki turmioon, mutta muuten minä en tiedä, sanotaan hänestä
tulleen pyhän, joskin myöhään. Parempi olisi ollut aikaisemmin, kun
se oli tarpeen, mitäs hyötyä siitä nyt on? Olkaa vaiti, olkaa vaiti,
Aleksei Fjodorovitš, sillä minä tahdon sanoa niin paljon, että
luultavasti en sanokaan mitään. Tämä kauhea oikeusjuttu… minä
menen ehdottomasti, minä valmistaudun, minut viedään
nojatuolissa, ja sitäpaitsi minä voin istua, kanssani on ihmisiä, ja
tehän tiedätte, että minä olen todistajia. Miten minä puhun, miten
minä puhun! Minä en tiedä mitä minä siellä puhun. Pitäähän tehdä
vala, niinhän, niinhän?
— Niin, mutta en luule teidän pääsevän sinne.
— Minä voin istua: ah te sotkette minut! Tämä oikeusjuttu, tämä

hurja teko, ja sitten kaikki menevät Siperiaan, toiset menevät
naimisiin ja kaikki tämä käy nopeasti, nopeasti, ja kaikki muuttuu, ja
viimein ei ole mitään, kaikki ovat vanhuksia ja haudan partaalla.
Olkoon, minä olen väsynyt. Tuo Katja — cette charmante personne,
hän on särkenyt kaikki toiveeni: nyt hän lähtee teidän toisen veljenne
kanssa Siperiaan, mutta toinen veljenne lähtee hänen jäljestään ja
rupeaa asumaan naapurikaupungissa, ja he kaikki kiusaavat
toisiaan. Minulta se vie järjen, mutta pääasia on tuo julkisuuteen
joutuminen: kaikissa Pietarin ja Moskovan sanomalehdissä on jo
miljoona kertaa kirjoitettu. Ah, niin, ajatelkaahan, minustakin on
kirjoitettu, että minä olin teidän veljenne »hyvä ystävä», minä en
tahdo päästää suustani rumaa sanaa, ajatelkaahan vain, no,
ajatelkaahan!
— Se ei voi olla mahdollista! Missä on kirjoitettuna ja miten?
— Minä näytän heti. Eilen sain — eilen luinkin. Kas tässä,

sanomalehdessä Kulkupuheita, pietarilaisessa. Nämä Kulkupuheet
ovat alkaneet ilmestyä tänä vuonna, minä rakastan hirveästi
kulkupuheita ja tilasin tämän, ja se kävikin omaan nilkkaan:
semmoisia ne kulkupuheet olivatkin. Kas tässä, tässä paikassa,
lukekaa.
Ja hän ojensi Aljošalle sanomalehtinumeron, joka oli ollut hänen

tyynynsä alla.
Hän ei ollut vain hermostunut, vaan hän oli kuin murtunut, ja

ehkäpä todellakin kaikki hänen päässään oli yhtenä sekamelskana.
Sanomalehtiuutinen oli hyvin kuvaava, ja sen oli tietysti täytynyt
synnyttää hänessä suurta närkästystä, mutta hän ei, kenties
onnekseen, kyennyt tällä hetkellä keskittämään huomiotaan yhteen
kohtaan ja saattoi sen vuoksi hetken kuluttua unohtaa
sanomalehdenkin ja hypätä aivan toiseen asiaan. Sen taasen, että
joka paikkaan Venäjällä jo oli levinnyt tieto hirveästä oikeusjutusta,
oli Aljoša jo kauan tietänyt ja, Herra Jumala, miten hurjia
kertomuksia ja kirjeenvaihtajain tiedoituksia hän olikaan ennättänyt
lukea näiden kahden kuukauden aikana oikeitten tietojen ohella
veljestään, Karamazoveista yleensä ja myös itsestään. Eräässä
sanomalehdessä sanottiin niinkin, että hän oli peloissaan veljensä
rikoksen jälkeen tehnyt ankaran munkkilupauksen ja sulkeutunut
kammioonsa; toisessa lehdessä tämä tieto kumottiin ja kirjoitettiin,
että hän päinvastoin yhdessä luostarinvanhimpansa Zosiman kanssa
oli murtanut luostarin rahalaatikon ja »livistänyt luostarista.»
Sanomalehdessä Kulkupuheita nyt olevan kirjoituksen otsikkona oli:
»Skotoprigonjevskista (valitettavasti on kaupungillamme tämmöinen
nimi, ja minä olen pitkän aikaa pitänyt sitä salassa), Karamazovin
jutusta.» Se oli lyhyt, eikä rouva Hohlakovista mainittu siinä
kerrassaan mitään ja yleensäkään ei nimiä mainittu. Kerrottiin vain,
että rikoksentekijä, jota nyt ryhdytään niin suurta ääntä pitäen
tuomitsemaan, on entinen armeijan upseeri, luonteenlaadultaan
julkea, laiskuri ja maaorjuudella elävä tuhlari, ollut tavan takaa
lemmenseikkailuissa ja erikoisesti tehnyt syvän vaikutuksen eräisiin
»yksinäisyydessään ikävöiviin naishenkilöihin». Yksi tuollainen
naishenkilö, »ikävöiviin leskirouviin» kuuluva, nuorekkaana esiintyvä,
vaikka onkin jo täysikasvuisen tyttären äiti, oli siinä määrin ihastunut
häneen, että oli vielä kaksi tuntia ennen rikoksen tekoa tarjonnut
hänelle kolmetuhatta ruplaa, jos hän heti karkaisi hänen kanssaan
kultakaivokseen. Mutta heittiöstä oli parempi tappaa isänsä ja
ryöstää tältä juuri kolmetuhatta ruplaa, minkä hän luuli voivansa
tehdä rankaisematta, kuin lähteä vaivalloiselle matkalle Siperiaan
nelikymmenvuotiaan ikävöivän kaunottarensa kanssa. Tämä
leikillinen kirjoitus päättyi, kuten pitääkin, tunnottoman isänmurhan
siveelliseen paheksumiseen ja entisen maaorjuuden
tuomitsemiseen. Luettuaan kirjoituksen mielenkiinnolla Aljoša taittoi
lehden kokoon ja antoi sen takaisin rouva Hohlakoville.
— No, enkö se olekin minä? — alkoi rouva Hohlakov taas puhua

lepertää. — Minähän se olen, minä vain tuntia aikaisemmin kehoitin
häntä menemään kultakaivokseen, ja nyt tulee yhtäkkiä
»neljänkymmenen vuoden ikäinen kaunotar!» Senkö tähden minä
muka? Sen hän on sanonut tahallaan! Antakoon hänelle Ikuinen
Tuomari anteeksi tuon nelikymmenvuotiaan kaunottaren, niinkuin
minäkin sen anteeksi annan, mutta tämähän on… tämähän on
tiedättekö kuka? Se on ystävänne Rakitin.
— Mahdollista, — sanoi Aljoša, — vaikka minä en ole kuullut

mitään.
— Hän, hän se on, eikä vain mahdollisesti! Minähän ajoin hänet

ulos…
Tunnettehan koko sen jutun?
— Minä tiedän, että te olette kehoittanut häntä olemaan vastedes

käymättä teillä, mutta miksi — sitä minä… en ole ainakaan teiltä
kuullut.
— Olette siis kuullut häneltä! No, moittiiko hän minua, moittiiko

kovasti?
— Kyllä, hän moittii, mutta hänhän moittii kaikkia. Mutta miksi te

hänet hylkäsitte — sitä en ole kuullut häneltäkään. Yleensäkin minä
nykyisin tapaan häntä hyvin harvoin. Me emme ole ystäviä.
— No, minäpä ilmaisen sen teille ja, ei auta, minä kadun, sillä
tässä on eräs piirre, johon minä kenties itse olen syypää. Vain
pienen pieni piirre, aivan pikkuinen, niin että sitä kukaties ei
ensinkään olekaan. Katsokaahan, ystäväni (rouva Hohlakov tuli
äkkiä leikkisän näköiseksi, ja hänen huulillaan väikkyi herttainen,
vaikkakin salaperäinen hymy), katsokaahan, minä epäilen… suokaa
minulle anteeksi, Aljoša, minä puhun teille kuin äiti… oi, ei, ei,
päinvastoin, puhun teille nyt kuin omalle isälleni… sillä äiti ei tässä
ole ensinkään asianmukaista… No, sama se, puhun niinkuin tekisin
tunnustuksen luostarinvanhin Zosimalle, ja tämä on kaikkein
oikeimmin sanottu, tämä on hyvin asian laadun mukaista: minä
sanoinkin teitä äsken munkiksi, — no niin, tuo nuori miesparka,
ystävänne Rakitin (oi, hyvä Jumala, minä suorastaan en voi olla
vihainen hänelle! Minä suutun ja olen äkäinen, mutta en kovin
paljon), sanalla sanoen tämä kevytmielinen nuori mies näyttää
saavan äkkiä päähänsä, ajatelkaahan, rakastua minuun. Minä
huomasin sen vasta myöhemmin, myöhemmin yhtäkkiä, mutta
alussa, noin kuukausi sitten, hän alkoi käydä luonani useammin,
melkein joka päivä, vaikka olimme tuttuja jo sitä ennen. Minä en
tiedä mitään… mutta yhtäkkiä asia ikäänkuin valkeni minulle ja minä
olen jo kaksi kuukautta sitten alkanut vastaanottaa tuota
vaatimatonta, herttaista ja kunnollista nuorta miestä, Pjotr Iljitš
Perhotinia, joka on virassa täällä. Olette monta kertaa itse tavannut
hänet. Ja eikö totta, hän on kelpo mies, hyvin vakava. Hän käy joka
kolmas päivä (vaikka saisi kernaasti käydä joka päivä), ja hän on
aina niin hyvin puettu, ja yleensä minä pidän nuorisosta, Aljoša,
lahjakkaasta, vaatimattomasta, semmoisesta kuin te, mutta hänellä
on melkein valtiomiehen äly, hän puhelee niin miellyttävästi, ja minä
pyydän ehdottomasti, ehdottomasti esimiehiä suosimaan häntä. Hän
on tuleva diplomaatti. Hän miltei pelasti minut kuolemasta tuona
kauheana päivänä tulemalla luokseni yöllä. No, mutta teidän
ystävänne Rakitin tuli aina semmoisissa saappaissa ja ojentaa ne
matolle… sanalla sanoen hän alkoi minulle jotakin vihjaillakin, ja
kerran hän pois lähtiessään yhtäkkiä puristi kauhean kovasti kättäni.
Heti kun hän oli puristanut kättäni, tuli jalkani äkkiä kipeäksi. Hän oli
ennenkin kohdannut luonani Pjotr Iljitšin ja, uskotteko, pistelee aina
häntä, aina pistelee, suorastaan murisee hänelle jostakin. Minä vain
katson heitä kumpaakin, kun he joutuvat yhteen, ja nauran
sydämessäni. Istun kerran yksinäni, taikka ei, minä lojuin jo silloin,
loikoilen kerran yksinäni, Mihail Ivanovitš saapuu ja, ajatelkaahan,
tuo minulle runojaan, aivan pieniä, minun kipeän jalkani johdosta,
hän näet kuvaili runossa kipeätä jalkaani. Odottakaahan, kuinka se
olikaan:
Pikku jalkaa, pikku jalkaa hiukan kivistellä alkaa…
tai jotakin sen tapaista, — minä en voi mitenkään muistaa runoja,

— se on minulla täällä, — no, minä näytän teille sen sitten, ihan
oivallisia säkeitä, ihastuttavia ja, tiedättekö, siinä ei ole ainoastaan
pikku jalasta, vaan myös opettavaista, ihastuttava aate, mutta minä
olen sen unohtanut, sanalla sanoen suorastaan albumiin kelpaava.
No, minä tietysti kiitin, ja hän näytti olevan hyvillään. En ennättänyt
vielä kiittää, kun äkkiä sisälle astuu Pjotr Iljitš, ja Mihail Ivanovitš tuli
yhtäkkiä synkäksi kuin yö. Huomaan Pjotr Iljitšin häirinneen häntä
jollakin tavoin, sillä Mihail Ivanovitš oli ehdottomasti aikonut sanoa
minulle jotakin heti runonsa jälkeen, minä aavistin sen jo, mutta
samassa tuli Pjotr Iljitš. Minä näytän Pjotr Iljitšille runon, mutta en
sano, kuka on tekijä. Mutta minä olen varma, minä olen varma siitä,
että hän arvasi heti, vaikka ei ole vieläkään tunnustanut ja sanoo,
ettei arvannut; mutta sen hän sanoo tahallaan. Pjotr Iljitš purskahti
heti nauramaan ja alkoi arvostella; »ihan mitätön runo», sanoo,
»jonkun seminaarilaisen sepittämä» — ja, tiedättekö, niin kiihkeästi,
niin kiihkeästi! Silloin teidän ystävänne, sen sijaan että olisi ruvennut
nauramaan, yhtäkkiä vallan raivostui… Herra Jumala, minä luulin
heidän rupeavan tappelemaan: »Sen», sanoo, »olen minä
kirjoittanut. Minä», sanoo, »kirjoitin piloillani, sillä runojen
kirjoittaminen on minun mielestäni alhaista… Mutta minun runoni on
hyvä. Teidän Puškinillenne aiotaan pystyttää muistopatsas naisten
pikku jalkojen tähden, mutta minulla on suunta, ja te itse», sanoo,
»olette maaorjuuden kannattaja; teillä», sanoo, »ei ole mitään
humaanisuutta, te ette tunne mitään nykyisiä valistuneita tunteita,
teitä ei ole kehitys hipaissut, te», sanoo, »olette virkamies ja otatte
lahjuksia!» Silloin minä aloin huutaa ja rukoilla häntä. Mutta Pjotr
Iljitš, tiedättekö, ei ole ensinkään arka, ja äkkiä hän alkoi esiintyä
sangen hienosti: katsoo häneen pilkallisesti, kuuntelee ja pyytelee
anteeksi: »Minä», sanoo, »en tietänyt. Jos olisin tietänyt, niin minä
en olisi sanonut, minä», sanoo, »olisin kehunut… Runoilijat», sanoo,
»ovat kaikki niin ärtyisiä»… Sanalla sanoen semmoista ivaa mitä
kohteliaimmassa muodossa. Hän selitti myöhemmin minulle itse, että
se kaikki oli ivaa, mutta minä luulin hänen puhuvan tosissaan.
Loikoilen kerran niinkuin nyt teidän edessänne ja ajattelen: onko vai
eikö ole oikein tehty, jos minä yhtäkkiä ajan Mihail Ivanovitšin pois
siitä syystä, että hän huutaa sopimattomasti minun talossani
vieraalleni? Ja uskotteko: makaan, suljin silmäni ja ajattelen: onko se
sopivaa vai eikö ole, enkä saa ratkaistuksi, olen hyvin kiusaantunut,
ja sydän tykyttää: huudahdanko vai enkö huudahda? Toinen ääni
sanoo: huuda, mutta toinen ääni sanoo: ei, älä huuda! Tuskin oli tuo
toinen ääni puhunut, niin minä äkkiä huusin ja pyörryin. No, siitä
nousi tietysti meteli. Minä nousen äkkiä ja sanon Mihail Ivanovitšille:
minun on katkeraa ilmoittaa se teille, mutta minä en halua enää
vastaanottaa teitä talossani. Niin ajoin hänet tiehensä. Ah, Aleksei
Fjodorovitš! Minä tiedän itse, että tein pahasti, minä valehtelin koko
ajan, minä en ollut ensinkään vihainen hänelle, mutta pääasia on,
että minusta yhtäkkiä tuntui, että siitä tulee niin kaunis kohtaus…
Mutta uskotteko, tuo kohtaus oli kuitenkin luonnollinen, sillä minä
ihan rupesin itkemään ja itkin sitten muutamia päiviä, mutta sitten
iltapäivällä yhtäkkiä unohdin kaiken. Hän ei nyt ole käynyt täällä
kahteen viikkoon, ja minä ajattelen: eikö hän todellakaan tule
ensinkään? Se oli eilen, ja sitten yhtäkkiä tuli illalla nuo Kulkupuheet.
Minä luin ja voihkaisin, no, kuka sen on kirjoittanut, jos ei hän, hän
tuli silloin kotiinsa, istuutui — ja kirjoitti; lähetti — ja he painattivat.
Siitähän on kaksi viikkoa. Mutta, Aljoša, se on kauheata, mitä minä
puhelen, enkä ollenkaan puhu siitä, mitä pitäisi! Ah, puhe putoilee
itsestään!
— Minun on tänään hirveän tarpeellista ennättää ajoissa veljeni

luo, — alkoi Aljoša puhua mutisten.
— Aivan niin, aivan niin! Te ette muistuttanut siitä minulle!

Kuulkaa, mitä on affekti?
— Mikä affekti? — ihmetteli Aljoša.
— Oikeudellinen affekti. Sellainen affekti, jonka takia annetaan

kaikki anteeksi. Olittepa tehnyt mitä tahansa — niin heti saatte
anteeksi.
— Miksi te tätä kysytte?
— Tästä syystä: tuo Katja… Ah, hän on herttainen, herttainen

olento, mutta minä en mitenkään tiedä, keneen hän on rakastunut.
Äsken hän oli luonani, enkä minä saanut mitenkään urkituksi.
Varsinkaan kun hän itse alkaa nyt kohdella minua niin
pintapuolisesti, sanalla sanoen, kysyy aina vain minun terveydestäni
eikä puhu mitään muuta, ja äänen sävykin on sellainen, mutta minä
sanoin itsekseni: vähät siitä, Jumala kanssanne… Ah, niin, no, tuo
affekti: se tohtori saapui. Tiedättekö, että tohtori on saapunut? No,
kuinka ette tietäisi, joka tuntee mielenvikaiset, tehän hänet
tilasittekin, taikka ette te, vaan Katja. Aina vain Katja! No, nähkääs:
on mies, joka ei ensinkään ole mielenvikainen, mutta äkkiä hän saa
affektin. Hän kyllä on täydessä tajussaan ja tietää mitä tekee, mutta
hänellä on samalla affekti. No niin, Dimitri Fjodorovitšilla luultavasti
myös on affekti. Kun uusi käsittely oikeudessa alkoi, niin heti
saatiinkin selville affekti. Se on uuden oikeuskäsittelyn hyvätyö. Tuo
tohtori oli ja kyselee minulta siitä illasta, no niin, kultakaivoksesta:
millainen hän muka silloin oli? Kuinka hän ei olisi ollut affektin
vallassa: tuli ja huutaa: rahaa, rahaa, kolmetuhatta, antakaa
kolmetuhatta, ja sitten meni ja yhtäkkiä tappoi. Minä en tahdo,
sanoo, en tahdo tappaa, ja yhtäkkiä tappoi. Senpä vuoksi juuri hän
saakin anteeksi, että hän pani vastaan, mutta tappoi.
— Eihän hän ole tappanut, — keskeytti Aljoša hieman jyrkästi.

Levottomuus ja kärsimättömyys alkoivat yhä enemmän saada hänet
valtaansa.
— Minä tiedän, murhaaja on se ukko Grigori.
— Kuinka Grigori? — huudahti Aljoša.
— Hän, hän, Grigori se on. Kun Dmitri… Fjodorovitš iski häntä,

niin hän makasi, mutta nousi sitten, näkee oven avoimena, meni ja
tappoi Fjodor Pavlovitšin.
— Mutta miksi, miksi?
— Hän sai affektin. Kun Dmitri Fjodorovitš iski häntä päähän, niin
hän tointui ja sai affektin, meni ja tappoi. Että hän itse sanoo, ettei
hän tappanut, niin sitä hän kenties ei muistakaan. Mutta näettekö; on
parempi, paljon parempi, jos Dmitri Fjodorovitš tappoi. Ja niinhän se
olikin, vaikka minä sanon, että Grigori, mutta se on varmasti Dmitri
Fjodorovitš, ja se on paljon, paljon parempi! Ah, ei sen vuoksi
parempi, että poika tappoi isänsä, sitä minä en kiitä, lasten on
päinvastoin kunnioitettava vanhempiaan, mutta kuitenkin on
parempi, että se on hän, koska teillä silloin ei ole mitään syytä itkeä,
sillä hän tappoi itse tietämättään eli paremmin sanoen tietäen
kaiken, mutta tietämättä, mikä hänelle oli tullut. Ei, antakoot he
hänelle anteeksi; se on niin humaania, ja jotta nähtäisiin uuden
oikeusjärjestyksen hyvä vaikutus, mutta minä en tietänytkään, mutta
sanotaan, että siitä on jo kauan, ja kun minä eilen sain tietää, niin se
hämmästytti minua niin, että mieleni teki heti lähettää hakemaan
teitä; ja sitten, jos hänelle annetaan anteeksi, niin suoraan
oikeudesta minun luokseni päivälliselle, minä kutsun tuttuja, ja me
juomme uuden oikeusjärjestyksen maljan. Minä en luule, että hän on
vaarallinen, sitäpaitsi minä kutsun hyvin paljon vieraita, niin että
hänet aina voi toimittaa ulos, jos hän tekee jotakin, ja sitten hän voi
olla jossakin toisessa kaupungissa rauhantuomarina tai jonakin, sillä
ne, jotka itse ovat kokeneet onnettomuuden, tuomitsevat kaikkein
parhaiten. Mutta pääasia on, että kukapa nyt ei olisi affektin vallassa,
te, minä, kaikki ovat affektissa, ja miten paljon onkaan esimerkkejä;
mies istuu, laulaa romanssia, yhtäkkiä jokin ei häntä miellytä, otti
pistolin ja tappoi kenet sattui, ja sitten kaikki antavat hänelle
anteeksi. Minä olen sen äskettäin lukenut, ja kaikki tohtorit
vakuuttivat todeksi. Tohtorit nykysin vakuuttavat, kaikkea
vakuuttavat. Hyväinen aika, minun Liseni on affektin vallassa, eilen
viimeksi itkin hänen tähtensä, toissa päivänä itkin ja tänään
hoksasin, että hän yksinkertaisesti on saanut affektin. Oh, Lise
tuottaa minulle hirveästi harmia! Minä luulen, että hän on kokonaan
kadottanut järkensä. Miksi hän kutsui teitä? Kutsuiko hän teitä, vai
tulitteko te itse hänen luokseen?
— Niin, hän kutsui ja minä lähden heti hänen luokseen, — sanoi

Aljoša nousten päättävästi seisomaan.
— Ah, rakas, rakas Aleksei Fjodorovitš, tämäpä ehkä onkin

pääasia, — huudahti rouva Hohlakov ja alkoi yhtäkkiä itkeä. —
Jumala näkee, että minä uskon vilpittömästi teidän huostaanne

Ebook PDF Business Analytics 4th Edition by Jeffrey D Camm PDF

Uploaded by

Copyright:

Available Formats

You might also like

Ebook PDF Business Analytics 4th Edition by Jeffrey D Camm PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ebook PDF Business Analytics 4th Edition by Jeffrey D Camm PDF

Uploaded by

Copyright:

Available Formats

(eBook PDF) Business Analytics 4th

Edition by Jeffrey D. Camm

2.4 Creating Distributions from Data 30

Chapter 3 Data Visualization 85

Chapter 4 Probability: An ­Introduction to ­Modeling

4.6 Continuous Probability Distributions 185

Chapter 5 Descriptive Data Mining 213

Appendix: k-Means Clustering with JMP Pro

7.2 Least Squares Method 331

Appendix: Multiple Linear Regression with R

Chapter 8 Time Series Analysis and Forecasting 407

Chapter 9 Predictive Data Mining 459

9.5 Classification and Regression Trees 478

Chapter 10 Spreadsheet Models 509

10.5 Predictive and Prescriptive Spreadsheet Models 536

Chapter 11 Monte Carlo Simulation 547

Chapter 12 Linear Optimization Models 609

12.3 A Simple Minimization Problem 621

Chapter 13 Integer Linear ­Optimization Models 663

Chapter 14 Nonlinear Optimization Models 703

14.2 Local and Global Optima 709

 ulti-Chapter Case ProblemS

Jeffrey W. Ohlmann. Jeffrey W. Ohlmann is Associate Professor of Business Analytics

Updates in the Fourth Edition

●● Incorporation of R. R is an exceptionally powerful open-source software that is

Continued Features and Pedagogy

— En kerro missään tapauksessa, — lausui Aljoša hymyillen.

— Äh, sinä luulet hänen siitä kärsivän; hänhän rupesi tahallaan

— Kuinka tahallaan? — kysyi Aljoša.

— Sinä olet tyhmä, Aljošenjka, siinä se, sinä et ymmärrä tästä

Grušenjka ei sanonut mitä hän tekee, peitti silmänsä liinaan ja

— Hän ei rakasta Katerina Ivanovnaa, — sanoi lujasti Aljoša.

— No, rakastaa tai ei rakasta, saan sen kohta itse selville, —

— Riittää näistä tyhmyyksistä puhuminen! — tokaisi Grušenjka

— Jumalani, menisit itse tuon asianajajan luo ja kertoisit hänelle

— Me panimme kolmeen henkeen kolmetuhatta, minä, veli Ivan ja

— No ja mitä? Puhuitko hänelle? — sanoi Grušenjka kiireesti.

— Hän kuunteli eikä sanonut mitään. Sanoi, että hänelle on jo

— Kuinka niin harkitakseen? Ah, ne ovat roistoja! He syöksevät

— Asiantuntijaksi. Tahtovat osoittaa, että veljeni on mielenvikainen

— Ah, sehän on totta, jos hän olisi tappanut! — huudahti

— Niin, todistusten lukumäärä on kauheasti lisääntynyt, —

— Entä Grigori, Grigori Vasiljitš, hänhän pitää jyrkästi kiinni siitä,

— Niin, se on kenties kaikkein raskauttavin todistus veljeäni

— Mitä taas siihen tulee, että Mitja on mielenvikainen, niin hän on

— Jostakin syystä on Rakitin ruvennut käymään hänen luonaan,

— Ei, ei se ole Rakitka, se on hänen veljensä Ivan Fjodorovitš,

— No… no niin, tämmöinen minä olen! En osannut pitää suutani

Aljoša istui syvissä mietteissä ja harkitsi jotakin. Tieto on

— Muutos, muutos! — tarttui Grušenjka kiireesti puheeseen. —

— Sinähän sanoit: kiihdyksissä?

— Hän oli kyllä kiihdyksissä, mutta iloinen. Hän on aina

— Ja onko totta, että hän kielsi puhumasta minulle Ivanista?

— Luuletko, että se on jotakin sinua koskevaa? Silloinhan hän ei

— En tiedä. Kenties hän tahtookin juuri minulle sanoa, mutta ei

— Mutta mitä sinä itse luulet?

— Mitäkö luulen? Loppuni on käsissä, sitä minä luulen. Lopun he

Chapter 4 Probability: An Introduction to Modeling

10.5 Predictive and Prescriptive Spreadsheet Models 536

Chapter 13 Integer Linear Optimization Models 663

ulti-Chapter Case ProblemS