Visit ebookfinal.

com to download the full version and

explore more ebooks or textbooks

Learning Predictive Analytics with R Get to grips

with key data visualization and predictive
analytic skills using R 1st Edition Eric Mayor

_____ Click the link below to download _____

https://ebookfinal.com/download/learning-predictive-
analytics-with-r-get-to-grips-with-key-data-visualization-
and-predictive-analytic-skills-using-r-1st-edition-eric-
mayor/

Explore and download more ebooks or textbook at ebookfinal.com

Here are some recommended products that we believe you will be
interested in. You can click the link to download.

Mastering Predictive Analytics with R 2nd Edition James D.

Miller

https://ebookfinal.com/download/mastering-predictive-analytics-
with-r-2nd-edition-james-d-miller/

Machine Learning with Spark and Python Essential

Techniques for Predictive Analytics 2nd Edition Michael
Bowles
https://ebookfinal.com/download/machine-learning-with-spark-and-
python-essential-techniques-for-predictive-analytics-2nd-edition-
michael-bowles/

Fraud analytics using descriptive predictive and social

network techniques a guide to data science for fraud
detection 1st Edition Bart Baesens
https://ebookfinal.com/download/fraud-analytics-using-descriptive-
predictive-and-social-network-techniques-a-guide-to-data-science-for-
fraud-detection-1st-edition-bart-baesens/

Learning Data Mining with R 1st Edition Bater Makhabel

https://ebookfinal.com/download/learning-data-mining-with-r-1st-
edition-bater-makhabel/
Understanding the Predictive Analytics Lifecycle 1st
Edition Alberto Cordoba

https://ebookfinal.com/download/understanding-the-predictive-
analytics-lifecycle-1st-edition-alberto-cordoba/

Growth Curve Analysis and Visualization Using R Daniel

Mirman

https://ebookfinal.com/download/growth-curve-analysis-and-
visualization-using-r-daniel-mirman/

Data Visualization with JavaScript 1st Edition Stephen A.

Thomas

https://ebookfinal.com/download/data-visualization-with-
javascript-1st-edition-stephen-a-thomas/

Data Mining Applications with R 1st Edition Yanchang Zhao

https://ebookfinal.com/download/data-mining-applications-with-r-1st-
edition-yanchang-zhao/

Basic Data Analysis for Time Series with R 1st Edition

Dewayne R. Derryberry

https://ebookfinal.com/download/basic-data-analysis-for-time-series-
with-r-1st-edition-dewayne-r-derryberry/
Learning Predictive Analytics with R Get to grips with
key data visualization and predictive analytic skills using
R 1st Edition Eric Mayor Digital Instant Download
Author(s): Eric Mayor
ISBN(s): 9781782169352, 1782169350
Edition: 1
File Details: PDF, 3.36 MB
Year: 2015
Language: english
Learning Predictive Analytics
with R

Get to grips with key data visualization and predictive

analytic skills using R

Eric Mayor

BIRMINGHAM - MUMBAI
Learning Predictive Analytics with R

Copyright © 2015 Packt Publishing

All rights reserved. No part of this book may be reproduced, stored in a retrieval
system, or transmitted in any form or by any means, without the prior written
permission of the publisher, except in the case of brief quotations embedded in
critical articles or reviews.

Every effort has been made in the preparation of this book to ensure the accuracy
of the information presented. However, the information contained in this book
is sold without warranty, either express or implied. Neither the author nor Packt
Publishing, and its dealers and distributors will be held liable for any damages
caused or alleged to be caused directly or indirectly by this book.

Packt Publishing has endeavored to provide trademark information about all of the
companies and products mentioned in this book by the appropriate use of capitals.
However, Packt Publishing cannot guarantee the accuracy of this information.

First published: September 2015

Production reference: 1180915

Published by Packt Publishing Ltd.

Livery Place
35 Livery Street
Birmingham B3 2PB, UK.

ISBN 978-1-78216-935-2

www.packtpub.com
 Credits

Author Project Coordinator

Eric Mayor Kranti Berde

Reviewers Proofreader
Ajay Dhamija Safis Editing
Khaled Tannir
Matt Wiley Indexer
Rekha Nair

Commissioning Editor
Kunal Parikh Production Coordinator
Aparna Bhagat

Acquisition Editor
Kevin Colaco Cover Work
Aparna Bhagat

Content Development Editor

Siddhesh Salvi

Technical Editor
Deepti Tuscano

Copy Editors
Puja Lalwani
Merilyn Pereira
 About the Author

Eric Mayor is a senior researcher and lecturer at the University of Neuchatel,

Switzerland. He is an enthusiastic user of open source and proprietary predictive
analytics software packages, such as R, Rapidminer, and Weka. He analyzes data
on a daily basis and is keen to share his knowledge in a simple way.
 About the Reviewers

Ajay Dhamija is a senior scientist in the Defence Research and Development

Organization, Delhi. He has more than 24 years of experience as a researcher and an
instructor. He holds an MTech (in computer science and engineering) from IIT Delhi
and an MBA (in finance and strategy) from FMS, Delhi. He has to his credit more
than 14 research works of international reputation in various fields, including data
mining, reverse engineering, analytics, neural network simulation, TRIZ, and so on.
He was instrumental in developing a state-of-the-art Computerized Pilot Selection
System (CPSS) containing various cognitive and psycho-motor tests. It is used to
comprehensively assess the flying aptitude of aspiring pilots of the Indian Air Force.
Ajay was honored with an Agni Award for excellence in self reliance in 2005 by the
Government of India. He specializes in predictive analytics, information security,
big data analytics, machine learning, Bayesian social networks, financial modeling,
neuro-fuzzy simulation, and data analysis and data mining using R. He is presently
involved in his doctoral work on Financial Modeling of Carbon Finance Data from IIT,
Delhi. He has written an international bestseller, Forecasting Exchange Rate: Use of
Neural Networks in Quantitative Finance (http://www.amazon.com/Forecasting-
Exchange-rate-Networks-Quantitative/dp/3639161807), and is currently
authoring another book in R named Multivariate Analysis using R.

Apart from Analytics, Ajay Dhamija is actively involved in information security

research. He has been associated with various international and national researchers
in the government as well as the corporate sector to pursue his research on ways
to amalgamate two important and contemporary fields of data handling, that
is, predictive analytics and information security. While he was associated with
researchers from the Predictive Analytics and Information Security Institute of India
(PRAISIA: www.praisia.com) during his research endeavors, he worked on refining
methods of big data analytics for security data analysis (log assessment, incident
analysis, threat prediction, and so on) and vulnerability management automation.
You can connect with Ajay at:

• LinkedIn: ajaykumardhamija
• ResearchGate: Ajay_Dhamija2
• Academia: ajaydhamija
• Facebook: akdhamija
• Twitter:@akdhamija
• Quora: Ajay-Dhamija

I would like to thank my fellow scientists from the Defense Research

and Development Organization and researchers from the corporate
sector, including Predictive Analytics and Information Security
Institute of India (PRAISIA). It is a unique institute of repute
and of due to its pioneering work in marrying the two giant and
contemporary fields of data handling in modern times, that is,
predictive analytics and information security, by adopting bespoke
and refined methods of big data analytics. They all contributed in
presenting a fruitful review for this book. I'm also thankful to my
wife, Seema Dhamija, the managing director at PRAISIA, who has
been kind enough to share her research team's time with me in
order to have a technical discussion. I'm also thankful to my son,
Hemant Dhamija. Many a time, he gave invaluable feedback that I
inadvertently neglected during the course of this review. I'm also
thankful to a budding security researcher, Shubham Mittal from
Makemytrip Inc., for his constant and constructive critiques of my
work.
Matt Wiley is a tenured associate professor of mathematics who currently resides
in Victoria, Texas. He holds degrees in mathematics (with a computer science minor)
from the University of California and a master's degree in business administration
from Texas A&M University. He directs the Quality Enhancement Plan at Victoria
College and is the managing partner at Elkhart Group Limited, a statistical
consultancy. With programming experience in R, C++, Ruby, Fortran, and JavaScript,
he has always found ways to meld his passion for writing with his love of logical
problem solving and data science. From the boardroom to the classroom, Matt enjoys
finding dynamic ways to partner with interdisciplinary and diverse teams to make
complex ideas and projects understandable and solvable.

Matt can be found online at www.MattWiley.org.

Khaled Tannir is a visionary solution architect with more than 20 years of

technical experience focusing on big data technologies and data mining since 2010.

He is widely recognized as an expert in these fields and has a bachelor's degree in

electronics and a master's degree in system information architectures. He completed
his education with a master of research degree.

Khaled is a Microsoft Certified Solution Developer (MCSD) and an avid technologist.

He has worked for many companies in France (and recently in Canada), leading
the development and implementation of software solutions and giving technical
presentations.

He is the author of the books RavenDB 2.x Beginner's Guide and Optimizing Hadoop
MapReduce, Packt Publishing, and a technical reviewer on the books Pentaho Analytics
for MongoDB and MongoDB High Availability, Packt Publishing.

He enjoys taking landscape and night photos, traveling, playing video games,
creating funny electronics gadgets using Arduino, Raspberry Pi, and .Net Gadgeteer,
and of course spending time with his wife and family.

You can reach him at [email protected].

 www.PacktPub.com

Support files, eBooks, discount offers, and more

For support files and downloads related to your book, please visit www.PacktPub.com.

Did you know that Packt offers eBook versions of every book published, with PDF
and ePub files available? You can upgrade to the eBook version at www.PacktPub.
com and as a print book customer, you are entitled to a discount on the eBook copy.
Get in touch with us at [email protected] for more details.

At www.PacktPub.com, you can also read a collection of free technical articles, sign
up for a range of free newsletters and receive exclusive discounts and offers on Packt
books and eBooks.
TM

https://www2.packtpub.com/books/subscription/packtlib

Do you need instant solutions to your IT questions? PacktLib is Packt's online digital
book library. Here, you can search, access, and read Packt's entire library of books.

Why subscribe?
• Fully searchable across every book published by Packt
• Copy and paste, print, and bookmark content
• On demand and accessible via a web browser

Free access for Packt account holders

If you have an account with Packt at www.PacktPub.com, you can use this to access
PacktLib today and view 9 entirely free books. Simply use your login credentials for
immediate access.
 Table of Contents
Preface vii
Chapter 1: Setting GNU R for Predictive Analytics 1
Installing GNU R 2
The R graphic user interface 2
The menu bar of the R console 3
A quick look at the File menu 4
A quick look at the Misc menu 5
Packages 8
Installing packages in R 9
Loading packages in R 11
Summary 14
Chapter 2: Visualizing and Manipulating Data Using R 15
The roulette case 16
Histograms and bar plots 18
Scatterplots 25
Boxplots 28
Line plots 29
Application – Outlier detection 31
Formatting plots 32
Summary 34
Chapter 3: Data Visualization with Lattice 35
Loading and discovering the lattice package 36
Discovering multipanel conditioning with xyplot() 37
Discovering other lattice plots 39
Histograms 39
Stacked bars 41
Dotplots 43
Displaying data points as text 45
[i]
Table of Contents

Updating graphics 47
Case study – exploring cancer-related deaths in the US 50
Discovering the dataset 50
Integrating supplementary external data 55
Summary 60
Chapter 4: Cluster Analysis 61
Distance measures 63
Learning by doing – partition clustering with kmeans() 65
Setting the centroids 66
Computing distances to centroids 67
Computing the closest cluster for each case 67
Tasks performed by the main function 68
Internal validation 69
Using k-means with public datasets 71
Understanding the data with the all.us.city.crime.1970 dataset 71
Finding the best number of clusters in the life.expectancy.1971 dataset 77
External validation 79
Summary 79
Chapter 5: Agglomerative Clustering Using hclust() 81
The inner working of agglomerative clustering 82
Agglomerative clustering with hclust() 86
Exploring the results of votes in Switzerland 86
The use of hierarchical clustering on binary attributes 92
Summary 95
Chapter 6: Dimensionality Reduction with Principal
Component Analysis 97
The inner working of Principal Component Analysis 98
Learning PCA in R 103
Dealing with missing values 104
Selecting how many components are relevant 105
Naming the components using the loadings 107
PCA scores 109
Accessing the PCA scores 109
PCA scores for analysis 110
PCA diagnostics 112
Summary 113
Chapter 7: Exploring Association Rules with Apriori 115
Apriori – basic concepts 116
Association rules 116
Itemsets 116

[ ii ]
 Table of Contents

Support 116
Confidence 117
Lift 117
The inner working of apriori 117
Generating itemsets with support-based pruning 118
Generating rules by using confidence-based pruning 119
Analyzing data with apriori in R 119
Using apriori for basic analysis 119
Detailed analysis with apriori 122
Preparing the data 123
Analyzing the data 123
Coercing association rules to a data frame 127
Visualizing association rules 128
Summary 130
Chapter 8: Probability Distributions, Covariance,
and Correlation 131
Probability distributions 131
Introducing probability distributions 131
Discrete uniform distribution 132
The normal distribution 133
The Student's t-distribution 136
The binomial distribution 137
The importance of distributions 138
Covariance and correlation 139
Covariance 141
Correlation 142
Pearson's correlation 142
Spearman's correlation 145
Summary 146
Chapter 9: Linear Regression 147
Understanding simple regression 148
Computing the intercept and slope coefficient 150
Obtaining the residuals 151
Computing the significance of the coefficient 154
Working with multiple regression 156
Analyzing data in R: correlation and regression 156
First steps in the data analysis 157
Performing the regression 160
Checking for the normality of residuals 161
Checking for variance inflation 162

[ iii ]
Table of Contents

Examining potential mediations and comparing models 163

Predicting new data 166
Robust regression 169
Bootstrapping 170
Summary 173
Chapter 10: Classification with k-Nearest Neighbors and
Naïve Bayes 175
Understanding k-NN 176
Working with k-NN in R 179
How to select k 181
Understanding Naïve Bayes 182
Working with Naïve Bayes in R 186
Computing the performance of classification 190
Summary 192
Chapter 11: Classification Trees 193
Understanding decision trees 193
ID3 195
Entropy 195
Information gain 197
C4.5 198
The gain ratio 198
Post-pruning 199
C5.0 199
Classification and regression trees and random forest 200
CART 200
Random forest 201
Bagging 201
Conditional inference trees and forests 201
Installing the packages containing the required functions 202
Installing C4.5 202
Installing C5.0 202
Installing CART 202
Installing random forest 202
Installing conditional inference trees 203
Loading and preparing the data 203
Performing the analyses in R 204
Classification with C4.5 204
The unpruned tree 204
The pruned tree 205
C50 206

[ iv ]
 Table of Contents

CART 207
Pruning 208
Random forests in R 210
Examining the predictions on the testing set 211
Conditional inference trees in R 212
Caret – a unified framework for classification 213
Summary 213
Chapter 12: Multilevel Analyses 215
Nested data 215
Multilevel regression 218
Random intercepts and fixed slopes 218
Random intercepts and random slopes 219
Multilevel modeling in R 221
The null model 221
Random intercepts and fixed slopes 225
Random intercepts and random slopes 228
Predictions using multilevel models 233
Using the predict() function 233
Assessing prediction quality 234
Summary 235
Chapter 13: Text Analytics with R 237
An introduction to text analytics 237
Loading the corpus 239
Data preparation 241
Preprocessing and inspecting the corpus 241
Computing new attributes 245
Creating the training and testing data frames 245
Classification of the reviews 245
Document classification with k-NN 245
Document classification with Naïve Bayes 247
Classification using logistic regression 249
Document classification with support vector machines 252
Mining the news with R 253
A successful document classification 253
Extracting the topics of the articles 257
Collecting news articles in R from the New York Times article
search API 259
Summary 262

[v]
Table of Contents

Chapter 14: Cross-validation and Bootstrapping Using Caret

and Exporting Predictive Models Using PMML 263
Cross-validation and bootstrapping of predictive models using
the caret package 263
Cross-validation 263
Performing cross-validation in R with caret 264
Bootstrapping 267
Performing bootstrapping in R with caret 267
Predicting new data 268
Exporting models using PMML 268
What is PMML? 268
A brief description of the structure of PMML objects 269
Examples of predictive model exportation 271
Exporting k-means objects 271
Hierarchical clustering 272
Exporting association rules (apriori objects) 274
Exporting Naïve Bayes objects 274
Exporting decision trees (rpart objects) 274
Exporting random forest objects 275
Exporting logistic regression objects 275
Exporting support vector machine objects 276
Summary 276
Appendix A: Exercises and Solutions 277
Exercises 277
Solutions 282
Appendix B: Further Reading and References 293
Index 299

[ vi ]
 Preface

Preface
The amount of data in the world is increasing exponentially as time passes. It is
estimated that the total amount of data produced in 2020 will be 20 zettabytes
(Kotov, 2014), that is, 20 billion terabytes. Organizations spend a lot of effort and
money on collecting and storing data, and still, most of it is not analyzed at all, or
not analyzed properly. One reason to analyze data is to predict the future, that is, to
produce actionable knowledge. The main purpose of this book is to show you how
to do that with reasonably simple algorithms. The book is composed of chapters
describing the algorithms and their use and of an appendices with exercises and
solutions to the exercises and references.

Prediction
What is meant by prediction? The answer, of course, depends on the field and the
algorithms used, but this explanation is true most of the time—given the attested
reliable relationships between indicators (predictors) and an outcome, the presence
(or level) of the indicators for similar cases is a reliable clue to the presence (or level)
of the outcome in the future. Here are some examples of relationships, starting with
the most obvious:

• Taller people weigh more

• Richer individuals spend more
• More intelligent individuals earn more
• Customers in segment X buy more of product Y
• Customers who bought product P will also buy product Q
• Products P and Q are bought together
• Some credit card transactions predict fraud (Chan et al., 1999)
• Google search queries predict influenza infections (Ginsberg et al., 2009)
• Tweet content predicts election poll outcomes (O'Connor and
Balasubramanyan, 2010)
[ vii ]
Preface

In the following section, we provide minimal definitions of the distinctions between

supervised and unsupervised learning and classification and regression problems.

Supervised and unsupervised learning

Two broad families of algorithms will be discussed in this book:

• Unsupervised learning algorithms

• Supervised learning algorithms

Unsupervised learning
In unsupervised learning, the algorithm will seek to find the structure that
organizes unlabelled data. For instance, based on similarities or distances between
observations, an unsupervised cluster analysis will determine groups and which
observations fit best into each of the groups. An application of this is, for instance,
document classification.

Supervised learning
In supervised learning, we know the class or the level of some observations of a
given target attribute. When performing a prediction, we use known relationships in
labeled data (data for which we know what the class or level of the target attribute
is) to predict the class or the level of the attribute in new cases (of which we do not
know the value).

Classification and regression problems

There are basically two types of problems that predictive modeling deals with:

• Classification problems
• Regression problems

Classification
In some cases, we want to predict which group an observation is part of. Here,
we are dealing with a quality of the observation. This is a classification problem.
Examples include:

• The prediction of the species of plants based on morphological measurements

[ viii ]
 Preface

• The prediction of whether individuals will develop a disease or not, based on

their health habits
• The prediction of whether an e-mail is spam or not

Regression
In other cases, we want to predict an observation's level on an attribute. Here, we are
dealing with a quantity, and this is a regression problem. Examples include:

• The prediction of how much individuals will cost to health care based on
their health habits
• The prediction of the weight of animals based on their diets
• The prediction of the number of defective devices based on manufacturing
specifications

The role of field knowledge in data

modeling
Of course, analyzing data without knowledge of the field is not a serious way to
proceed. This is okay to show how some algorithms work, how to make use of them,
and to exercise. However, for real-life applications, be sure that you know the topic
well, or else consult experts for help. The Cross Industry Standard Process for Data
Mining (CRISP-DM, Shearer, 2000) underlines the importance of field knowledge.
The steps of the process are depicted as follows:

The Cross Industry Standard Process for Data Mining

[ ix ]
Preface

As stressed upon in the preceding diagram, field knowledge (here called Business
Understanding) informs and is informed by data understanding. The understanding
of the data then informs how the data has to be prepared. The next step is data
modeling, which can also lead to further data preparation. Data models have to
be evaluated, and this evaluation can be informed by field knowledge (this is also
stressed upon in the diagram), which is also updated through the data mining
process. Finally, if the evaluation is satisfactory, the models are deployed for
prediction. This book will focus on the data modeling and evaluation stages.

Caveats
Of course, predictions are not always accurate, and some have written about the
caveats of data science. What do you think about the relationship between the
attributes titled Predictor and Outcome on the following plot? It seems like there is
a relationship between the two. For the statistically inclined, I tested its significance:
r = 0.4195, p = .0024. The value p is the probability of obtaining a relationship of this
strength or stronger if there is actually no relationship between the attributes. We
could conclude that the relationship between these variables in the population they
come from is quite reliable, right?

The relationship between the attributes titled Predictor and Outcome

[x]
 Preface

Believe it or not, the population these observations come from is that of randomly
generated numbers. We generated a data frame of 50 columns of 50 randomly
generated numbers. We then examined all the correlations (manually) and generated
a scatterplot of the two attributes with the largest correlation we found. The code is
provided here, in case you want to check it yourself—line 1 sets the seed so that you
find the same results as we did, line 2 generates to the data frame, line 3 fills it with
random numbers, column by column, line 4 generates the scatterplot, line 5 fits the
regression line, and line 6 tests the significance of the correlation:
1 set.seed(1)
2 DF = data.frame(matrix(nrow=50,ncol=50))
3 for (i in 1:50) DF[,i] = runif(50)
4 plot(DF[[2]],DF[[16]], xlab = "Predictor", ylab = "Outcome")
5 abline(lm(DF[[2]]~DF[[16]]))
6 cor.test(DF[[2]], DF[[16]])

How could this relationship happen given that the odds were 2.4 in 1000 ? Well,
think of it; we correlated all 50 attributes 2 x 2, which resulted in 2,450 tests (not
considering the correlation of each attribute with itself). Such spurious correlation
was quite expectable. The usual threshold below which we consider a relationship
significant is p = 0.05, as we will discuss in Chapter 8, Probability Distributions,
Covariance, and Correlation. This means that we expect to be wrong once in 20 times.
You would be right to suspect that there are other significant correlations in the
generated data frame (there should be approximately 125 of them in total). This is
the reason why we should always correct the number of tests. In our example, as
we performed 2,450 tests, our threshold for significance should be 0.0000204 (0.05 /
2450). This is called the Bonferroni correction.

Spurious correlations are always a possibility in data analysis and this should be
kept in mind at all times. A related concept is that of overfitting. Overfitting happens,
for instance, when a weak classifier bases its prediction on the noise in data. We
will discuss overfitting in the book, particularly when discussing cross-validation
in Chapter 14, Cross-validation and Bootstrapping Using Caret and Exporting Predictive
Models Using PMML. All the chapters are listed in the following section.

We hope you enjoy reading the book and hope you learn a lot from us!

[ xi ]
Discovering Diverse Content Through
Random Scribd Documents
kerran niin mielellään tahtoo, että minä en menisi naimisiin Katerina
Ivanovnan kanssa, ja haluaa sitä siinä määrin (hän tiesi, että melkein
hysteriaan asti), niin miksipä hän kieltäytyisi antamasta minulle noita
kolmeatuhatta nimenomaan sitä varten, että voisin näillä rahoilla
jättää Katjan ja mennä täältä ainaiseksi matkoihini? Jos nämä
hemmoitellut yläluokan rouvat tahtovat jotakin oikkuaan tyydyttää,
niin he eivät säästä mitään saadakseen tahtonsa täyttymään.
Sitäpaitsi hän on niin rikaskin», tuumi Mitja. Mitä itse
»suunnitelmaan» tulee, niin se oli entinen, t.s. hän aikoi tarjota
oikeuksiaan Tšermašnjaan, — mutta ei enää kauppatavarana, kuten
eilen Samsonoville, ei viekoitellakseen rouvaa, kuten eilen
Samsonovia, sillä mahdollisuudella, että voi saada kolmentuhannen
asemesta kaksin verroin rahaa, kuusi- tai seitsemäntuhatta, vaan
yksinkertaisesti tarjota ne kunniallisen miehen tavoin vakuudeksi
lainasta. Kehittäessään tätä uutta ajatustaan Mitja innostui, mutta
niin kävi aina kaikissa hänen aloitteissaan, kaikissa hänen äkillisissä
päätöksissään. Jokaisen uuden ajatuksensa valtaan hän antautui
intohimoisesti. Siitä huolimatta hän astuessaan rouva Hohlakovin
kuistille tunsi pelon karmivan selkäänsä: vasta tällä sekunnilla hän
ymmärsi täydelleen ja matemaattisen selvästi, että tämä oli hänen
viimeinen toivonsa, että mitään muuta ei enää ole jäljellä
maailmassa, jos tämä pettää, »kuin tappaa ja ryöstää joku
kolmentuhannen tähden, muuta ei mitään»… Kello oli noin puoli
kahdeksan, kun hän soitti ovikelloa.

Aluksi näytti onni hymyilevän: tuskin hän oli ennättänyt

ilmoittautua, kun hänet heti jo otettiin vastaan harvinaisen nopeasti.
»On ihan kuin hän olisi odottanut minua», välähti Mitjan mielessä, ja
kun hänet oli viety vierashuoneeseen, tuli yht'äkkiä, emäntä miltei
juosten sisälle ja ilmoitti odottaneensa häntä…
 — Minä odotin, odotin! Enhän minä voinut ajatellakaan, että te
tulisitte luokseni, myönnättehän sen itse, ja kuitenkin minä teitä
odotin, ihmetelkää vaistoani, Dmitri Fjodorovitš, olen koko aamun
ollut varma siitä, että te tänään tulette.

— Tämä on todellakin ihmeteltävää, hyvä rouva, — lausui Mitja

istuutuen hitaasti, — mutta… minä tulin erittäin tärkeän asian
vuoksi… kaikkein tärkeimmän minulle, toisin sanoen, hyvä rouva,
minä kiiruhdan ainoastaan itseni takia…

— Tiedän, että kaikkein tärkeimmän asian johdosta, Dmitri

Fjodorovitš, tässä eivät ole kysymyksessä mitkään aavistukset, ei
taantumuksellinen kiintymys ihmeisiin (oletteko kuullut
luostarinvanhin Zosimasta?), tämä, tämä on matematiikkaa: te ette
voinut olla tulematta, sen jälkeen kuin on tapahtunut tuo kaikki
Katerina Ivanovnaa koskeva, ette voinut, ette voinut; tämä on
matematiikkaa.

— Tosielämän realismia, hyvä rouva, sitä se on! Mutta sallikaa

minun esittää…

— Realismiapa juuri, Dmitri Fjodorovitš. Minä olen nyt kokonaan

realismin puolella, olen saanut kovin hyvän opetuksen ihmeisiin
nähden. Oletteko kuullut, että luostarinvanhin Zosima on kuollut?

— En, hyvä rouva, kuulen sen ensimmäistä kertaa, — sanoi Mitja

hieman ihmetellen. Hänen mielessään välähti Aljošan kuva.

— Viime yönä, ja ajatelkaahan…

— Hyvä rouva, — keskeytti Mitja, — minä ajattelen vain sitä, että

olen aivan epätoivoisessa asemassa ja että jos te ette auta, niin
kaikki kaatuu ja minä kaadun ensimmäisenä. Suokaa anteeksi
triviaalinen sanonta, mutta minä olen kuumeessa,
kuumehoureissa…

— Tiedän, tiedän, että olette kuumeessa, kaikki tiedän, te ette voi

ollakaan muunlaisessa mielentilassa, ja mitä ikinä sanottekin, sen
tiedän kaikki edeltäpäin. Olen jo kauan sitten ottanut ajatellakseni
kohtaloanne, Dmitri Fjodorovitš, minä seuraan sitä ja tutkin sitä… Oi
uskokaa minua, minä olen kokenut sielun lääkäri, Dmitri Fjodorovitš.

— Hyvä rouva, jos te olette kokenut lääkäri, niin minä puolestani

olen kokenut potilas, — lausui Mitja koettaen siinä määrin olla
rakastettava, että se vaati ponnistusta, — ja minä aavistan, että jos
te niin seuraatte kohtaloani, te myös autatte tuhon uhatessa, mutta
sallikaa minun sitä varten lopultakin esittää teille se suunnitelma, jota
ajatellen olen uskaltanut tänne tulla… ja se, mitä minä teiltä
odotan… Olen tullut, hyvä rouva…

— Älkää selitelkö, se on toisarvoista. Mitä taas apuun tulee, niin

ette te, Dmitri Fjodorovitš, ole ensimmäinen, jota autan. Olette
varmaankin kuullut serkustani rouva Beljmesovista, hänen
miehelleen kävi huonosti, kaatui, kuten te niin kuvaavasti sanoitte,
Dmitri Fjodorovitš?

— En vähintäkään, hyvä rouva, — oh, hyvä rouva, en

vähintäkään! — huudahti hermostuneen kärsimättömästi Mitja ja
aikoi nousta paikaltaan. — Rukoilen teitä vain, hyvä rouva,
kuulemaan minua, antakaa minun vain kaksi minuuttia vapaasti
puhua, jotta voisin ensin esittää teille kaikki, koko suunnitelman,
jonka johdosta tulin. Sitäpaitsi on aikani täpärällä, minulla on hirveän
kiire!… — huudahti hysteerisesti Mitja tuntien, että rouva Hohlakov
alkaa heti taas puhua, ja toivoen voivansa tukahduttaa huutoonsa
hänen äänensä: — Minä olen tullut epätoivoissani… äärimmäisessä
epätoivossa pyytämään teiltä lainaksi rahaa kolmetuhatta, velaksi,
mutta varmaa, mitä varminta vakuutta vastaan, hyvä rouva, mitä
varminta panttia vastaan! Sallikaa vain esittää…

— Kaikesta tästä myöhemmin, myöhemmin, — huiski hänelle

kädellään rouva Hohlakov vuorostaan, — kaikki, mitä sanottekin,
minä tiedän edeltäpäin, sanoinhan teille jo sen. Te pyydätte jotakin
rahasummaa, te tarvitsette kolmetuhatta, mutta minä annan teille
enemmän, äärettömän paljon enemmän, minä pelastan teidät, Dmitri
Fjodorovitš, mutta teidän on toteltava minua!

Mitja ihan ponnahti taas paikaltaan.

— Hyvä rouva, oletteko te todellakin niin hyvä! — huudahti hän

tavattoman tunteikkaasti. — Hyvä Jumala, te olette pelastanut minut.
Te pelastatte ihmisen, hyvä rouva, väkivaltaisesta kuolemasta,
pistolilta… Ikuinen kiitollisuuteni…

— Minä annan teille äärettömän, äärettömän paljon enemmän

kuin kolmetuhatta! — huudahti rouva Hohlakov katsellen säteilevänä
ja hymysuin Mitjan innostusta.

— Äärettömän paljon! Niin paljoa ei tarvitakaan. Välttämättömät

ovat vain nuo minulle kohtalokkaat kolmetuhatta, ja minä puolestani
tulen rajattoman kiitollisena antamaan teille vakuuden tästä
summasta ja esitän teille suunnitelman, joka…

— Riittää, Dmitri Fjodorovitš, sanottu ja tehty, — tokaisi rouva

Hohlakov hyväntekijän puhtaan riemastuksen vallassa. — Minä olen
luvannut teidät pelastaa ja pelastan. Minä pelastan teidät niinkuin
rouva Beljmesovinkin. Mitä te ajattelette kultakaivoksesta, Dmitri
Fjodorovitš?

— Kultakaivoksesta, hyvä rouva! En ole koskaan ajatellut siitä

mitään.

— Mutta minäpä olen ajatellut teidän puolestanne! Olen ajatellut ja

yhä uudestaan ajatellut! Olen jo kokonaisen kuukauden tehnyt teistä
havaintoja tässä tarkoituksessa. Olen sata kertaa katsonut teitä
ohikulkiessanne ja aina sanonut itselleni: siinä on tarmokas mies,
joka on toimitettava kaivokseen. Olen tutkinut teidän käyntiännekin ja
päättänyt: tämä mies löytää monta kaivosta.

— Käynnistäkö päättäen, hyvä rouva? — hymähti Mitja.

— Miksipä ei käynnistäkin. Mitä, kiellättekö todellakin, että

käynnistä voi nähdä luonteen, Dmitri Fjodorovitš? Luonnontieteet
todistavat tätä samaa. Oi, minä olen nyt realisti, Dmitri Fjodorovitš.
Minä olen eilispäivästä saakka, tuon luostarissa tapahtuneen jutun
jälkeen, joka minua niin on järkyttänyt, täydellinen realisti ja tahdon
antautua käytännölliseen toimintaan. Minä olen tullut terveeksi.
Riittää! kuten Turgenjev sanoi.

— Mutta hyvä rouva, nuo kolmetuhatta, jotka te niin jalomielisesti

lupasitte minulle lainata…

— Eivät mene teiltä sivu suun, Dmitri Fjodorovitš, — katkaisi rouva

Hohlakov heti hänen puheensa. — Nuo kolmetuhatta ovat aivan kuin
taskussanne, eikä vain kolmetuhatta, vaan kolme miljoonaa, Dmitri
Fjodorovitš, aivan lyhyen ajan kuluessa! Minä sanon teille teidän
ideanne: te etsitte käsiin kaivoksen, ansaitsette miljoonia, palaatte
takaisin ja teistä tulee toiminnan mies, työnnätte meitäkin eteenpäin
ohjaten hyvään suuntaan. Onko tosiaankin jätettävä kaikki
juutalaisten käsiin? Te panette pystyyn rakennuksia ja kaikenlaisia
yrityksiä. Te autatte köyhiä, ja nämä siunaavat teitä. Nykyinen aika
on rautateiden aikaa, Dmitri Fjodorovitš. Te tulette tunnetuksi ja
välttämättömäksi finanssiministeriölle, joka nyt on niin suuressa
pulassa. Meidän paperiruplamme arvon aleneminen riistää minulta
yöunen, Dmitri Fjodorovitš, tältä puolelta minua tunnetaan vähän…

— Hyvä rouva, hyvä rouva! — keskeytti Dmitri Fjodorovitš taas

jonkinmoisen levottoman aavistuksen valtaamana. — Minä kenties
hyvinkin, hyvinkin seuraan neuvoanne, — teidän viisasta
neuvoanne, hyvä rouva, — ja kenties lähden sinne… tuohon
kaivokseen… ja tulen vielä kerran puhumaan kanssanne tästä…
montakin kertaa… mutta nyt nuo kolmetuhatta, jotka te niin
jalomielisesti… Oi, ne päästäisivät minut vapaaksi ja jos mahdollista,
niin tänään… se on näettekö, minulla ei ole nyt aikaa tuntiakaan, ei
tuntiakaan…

— Riittää, Dmitri Fjodorovitš, riittää! — keskeytti rouva Hohlakov

järkähtämättömästi. — Kysymys on: lähdettekö kaivokseen vai
ettekö, oletteko varmasti päättänyt, vastatkaa matemaattisesti.

— Lähden, hyvä rouva, sitten… Minä lähden minne tahdotte, hyvä

rouva… mutta nyt…

— Odottakaahan! — huudahti rouva Hohlakov, hyppäsi pystyyn ja

riensi komean kirjoituspöytänsä luo, jossa oli lukemattomia pikku
laatikoita, ja alkoi vetää auki laatikon toisensa jälkeen jotakin etsien
ja hyvin kiireissään.

»Kolmetuhatta», ajatteli Mitja ahdistuksissaan. »Ja aivan heti,

ilman mitään papereita, ilman virallista sopimusta… oi, se on
gentlemannimaista! Suurenmoinen nainen, ja jos hän vain ei olisi
niin puhelias…»

— Tässä! — huudahti iloissaan rouva Hohlakov palaten Mitjan luo.

— Tätä minä etsin!

Se oli pikkuruikkuinen hopeainen pyhäinkuva nauhassa, niitä, joita

toisinaan käytetään yhdessä iholla kannettavan ristin kanssa.

— Tämä on Kijevistä, Dmitri Fjodorovitš, — jatkoi rouva Hohlakov

hartaasti, — Pyhän Marttyyrin Barbaran jäännöksistä. Sallikaa minun
itseni ripustaa se teidän kaulaanne, ja sillä tavoin siunata teidät
uuteen elämään ja uusiin sankaritekoihin.

Ja hän pani kuvan todellakin hänen kaulaansa ja alkoi sitä

asetella. Mitja kumartui hyvin hämillään ja alkoi häntä auttaa sekä
sai lopulta kuvan kaulaliinansa ja paidanreunan taakse rintaansa
vastaan.

— Kas nyt voitte lähteä! — lausui rouva Hohlakov istuutuen taas

juhlallisesti paikalleen.

— Hyvä rouva, minä olen niin liikutettu… enkä tiedä, kuinka

kiittäisin… tuollaisista tunteista, mutta… jospa te tietäisitte, kuinka
kallista aikani nyt on!… Se rahasumma, jota niin hartaasti odotan
teidän jalomielisyydeltänne… Oi, rouva, jos te kerran olette niin
hyvä, niin liikuttavan jalomielinen minua kohtaan (huudahti Mitja
äkkiä innostuneena), — niin sallikaa minun teille tunnustaa… minkä
te muuten olette jo kauan sitten tietänyt… että minä rakastan täällä
erästä olentoa… Minä olen pettänyt Katjan… Katerina Ivanovnan,
tahdoin sanoa… Oi, minä olin epäinhimillinen ja epärehellinen häntä
kohtaan, mutta minä olen alkanut täällä rakastaa toista… erästä
naista, hyvä rouva, jota te kenties halveksitte, sillä te tiedätte jo
kaiken, mutta jota minä en mitenkään voi jättää, en mitenkään, ja
sentähden nyt nuo kolmetuhatta…

— Jättäkää kaikki, Dmitri Fjodorovitš! — keskeytti rouva Hohlakov

hyvin päättävällä äänellä. Jättäkää kaikki ja varsinkin naiset. Teidän
päämääränne on kaivos, eikä sinne ole syytä kuljettaa naisia. Sitten
kun palaatte rikkaana ja kunniassa, te löydätte itsellenne sydämenne
ystävän korkeimmista piireistä. Se on nykyaikainen tyttö, tietorikas ja
ilman ennakkoluuloja. Siihen mennessä parahiksi kypsyy nyt alkanut
naiskysymys ja tulee uusi nainen…

— Hyvä rouva, ei se ole sitä, ei se ole sitä… — sanoi Dmitri

Fjodorovitš pannen rukoilevasti kätensä ristiin.

— Juuri sitä se on, Dmitri Fjodorovitš, juuri sitä, mitä te tarvitsette,

mitä te janoatte itse tietämättänne. Minä en ollenkaan ole haluton
kannattamaan nykyistä naiskysymystä, Dmitri Fjodorivtš. Naisen
kehitys, vieläpä naisen poliittinen toiminta kaikkein lähimmässä
tulevaisuudessa — se on minun ideaalini. Minulla on itselläni tytär,
Dmitri Fjodorovitš, ja tältä puolelta minua tunnetaan vähän. Minä
olen tämän asian johdosta kirjoittanut kirjailija Štšedrinille. Tämä
kirjailija on minulle osoittanut, on niin paljon osoittanut naisen
kutsumuksesta, että minä lähetin hänelle viime vuonna kaksi riviä
sisältävän nimettömän kirjeen: »Syleilen ja suutelen Teitä, kirjailijana,
nykyaikaisen naisen tähden, jatkakaa.» Ja allekirjoitukseksi panin:
»Äiti.» Aikomukseni oli panna allekirjoitukseksi »Nykyaikainen äiti»,
ja minä epäröin, mutta päätin sitten kirjoittaa yksinkertaisesti vain
äiti: siinä on enemmän moraalista kauneutta, Dmitri Fjodorovitš, ja
sana »nykyaikainen» olisi muistuttanut heille mieleen aikakauskirjan
»Nykyaika», — heille katkera muisto nykyisen sensuurin tähden…
Ah, Jumalani, mikä teitä vaivaa?

— Hyvä rouva, — lausui Mitja hypäten lopulta pystyyn ja pannen

kämmenensä vastatusten hänen edessään voimattomaan
rukoukseen, — te saatatte minut itkemään, hyvä rouva, jos lykkäätte
toistaiseksi sen, mitä niin jalomielisesti…

— Itkekääkin, Dmitri Fjodorovitš, itkekää! Ne ovat ihania tunteita…

millainen tie teitä odottaakaan! Kyynelet tekevät olonne
helpommaksi, sitten palaatte takaisin ja iloitsette. Riennätte
vartavasten luokseni Siperiasta iloitaksenne kanssani…

— Mutta sallikaahan minunkin, — parkaisi Mitja äkkiä, —

viimeisen kerran rukoilen teitä, sanokaa, voinko saada teiltä tänään
tuon lupaamanne rahasumman? Jos en, niin milloin minun on tultava
sitä noutamaan?

— Mitä rahasummaa, Dmitri Fjodorovitš?

— Lupaamianne kolmeatuhatta… jotka te niin jalomielisesti…

— Kolmetuhatta? Ruplaako? Oh, ei, ei minulle ole kolmeatuhatta,

— lausui rouva Hohlakov jonkinmoisen rauhallisen ihmettelyn
vallassa. Mitja tyrmistyi…

— Kuinkas te… äsken juuri… te sanoitte… te lausuitte senkin, että

ne ovat aivan kuin taskussani…

— Oh, ei, te olette ymmärtänyt minut väärin, Dmitri Fjodorovitš, jos

niin on, niin te ette ole minua ymmärtänyt. Minä puhuin kaivoksista…
Tosin minä lupasin teille enemmän, määräämättömästi enemmän
kuin kolmetuhatta, minä muistan nyt kaikki, mutta minä tarkoitin
ainoastaan kaivosta.

— Entä rahat? Entä kolmetuhatta? — huudahti Dmitri Fjodorovitš

älyttömästi.

— Oi, jos te ymmärsitte olevan puheen rahoista, niin niitä minulla

ei ole. Minulla ei nyt ollenkaan ole rahaa, Dmitri Fjodorovitš, minä
taistelen parhaillaan voutini kanssa ja olen itse näinä päivinä
lainannut viisisataa ruplaa Miusovilta. Ei, ei, rahaa ei minulla ole. Ja
tiedättekö, Dmitri Fjodorovitš, jos minulla olisikin, niin minä en antaisi
teille. Ensiksikään minä en anna kenellekään lainaksi. Velaksi
antaminen on samaa kuin riitaantuminen. Mutta teille, teille erityisesti
en antaisi, teitä rakastaen en antaisi, pelastaakseni teidät en antaisi,
sen tähden, että teille on tarpeen vain yksi asia: kaivos, kaivos ja
kaivos!…

— Voi, perhana soikoon!… — karjaisi äkkiä Mitja ja löi kaikin

voimin nyrkillään pöytään.

— Ai-ai! — huusi rouva Hohlakov pelästyneenä ja lensi toiselle

puolelle vierashuonetta.

Mitja sylkäisi ja meni nopein askelin pois huoneesta, pois talosta,

kadulle, pimeyteen! Hän kulki kuin mieletön lyöden rintaansa,
samaan paikkaan rinnassaan, johon hän kaksi päivää aikaisemmin
oli lyönyt Aljošan nähden, kun tapasi tämän viimeisen kerran illalla,
pimeässä, tiellä, Mitä merkitsi tämä rintaansa lyöminen tähän
paikkaan ja mitä hän sillä tahtoi osoittaa, — se oli vielä salaisuus,
jota ei tietänyt kukaan maailmassa ja jota hän ei ilmaissut silloin
Aljošallekaan, mutta tämä salaisuus sisälsi hänelle enemmän kuin
häpeän, sisälsi tuhon ja itsemurhan, hän oli sen jo niin päättänyt, jos
ei saa noita kolmeatuhatta, joilla maksaisi Katerina Ivanovnalle ja
siten poistaisi rinnastaan, »siitä paikasta rintaa», häpeän, jota hän
siinä kantoi ja joka niin painoi hänen omaatuntoaan. Kaikki tämä
selviää täydellisesti lukijalle myöhemmin, mutta nyt, sen jälkeen kuin
viimeinen toivonsa oli mennyt, tämä ruumiillisesti niin voimakas mies
kuljettuaan vain muutamia askelia rouva Hohlakovin talosta äkkiä
puhkesi kyyneliin niinkuin pieni lapsi. Hän kulki ja mistään tietämättä
pyyhki nyrkillään kyyneliä. Näin hän tuli torille ja tunsi
töksähtäneensä jotakin vastaan koko ruumiillaan. Kuului jonkun
ämmän vinkuvaa uikutusta, kun hän oli ollut vähällä kaataa tämän
nurin.

— Herra Jumala, oli vähältä tappaa! Miksi kulkea tohotat

tolkuttomasti, hurjimus!

— Kuinka, tekö siinä olette? — huusi Mitja tunnettuaan pimeässä

ämmän.
Se oli sama vanha palvelijatar, joka palveli Kuzjma Samsonovia ja
jonka
Mitja hyvin oli huomannut eilen.

— Entä kuka te itse olette, hyvä mies? — alkoi eukko puhua aivan
toisenlaisella äänellä. — En voi tuntea teitä pimeässä.

— Tehän asutte Kuzjma Kutjmitšilla, palvelette häntä?

— Aivan niin, isäseni, käväisin juuri vain Prohorytšilla… Mutta

mikä siinä on, kun en vieläkään voi tuntea teitä?

— Sanokaa, muorikulta, onko Agrafena Aleksandrovna nyt teillä?

— lausui Mitja melkein poissa suunniltaan odotuksesta. — Äsken
minä itse saatoin hänet sinne.
 — Oli, isäkulta, tuli, istui jonkin aikaa ja meni pois.

— Kuinka? Meni pois? — huudahti Mitja. — Milloin meni pois?

— Samaan aikaan sitten menikin, hetkisen vain oli meillä. Kertoi

Kuzjma
Kuzjmitšille erään tarinan, sai hänet nauramaan ja karkasi pois.

— Valehtelet, kirottu! — parkaisi Mitja.

— Ai -ai! — alkoi eukko huutaa, mutta Mitja oli jo kadonnut

näkymättömiin; hän lähti kaikin voimin juoksemaan Morozovin taloa
kohti. Tämä sattui juuri siihen aikaan, jolloin Grušenjka oli lähtenyt
Mokrojeen, hänen lähdöstään ei ollut kulunut enempää kuin
neljännestunti. Fenja istui mummonsa, keittäjätär Matrenan kanssa
keittiössä, kun äkkiä sisälle juoksi »kapteeni». Nähtyään hänet Fenja
alkoi huutaa täyttä kurkkua.

— Huudat? — karjaisi Mitja. — Missä hän on? — Mutta antamatta

kauhusta tyrmistyneen Fenjan vastata vielä sanaakaan hän äkkiä
lankesi Fenjan jalkoihin:

— Fenja, Herramme Kristuksen tähden sano, missä hän on?

— Isäseni, en tiedä mitään, ystäväni Dmitri Fjodorovitš, en tiedä

mitään, vaikka tappakaa, niin en tiedä mitään, — alkoi Fenja vannoa
ja vakuutella, — itse te äsken läksitte hänen kanssaan…

— Hän tuli takaisin!…

— Hyvä ystävä, ei tullut, Jumalan kautta vannon, ettei tullut!

 — Valehtelet, — huusi Mitja, — jo yksistään pelästyksestäsi
tiedän, missä hän on!…

Hän syöksyi pois. Pelästynyt Fenja oli iloissaan, että oli päässyt
niin vähällä, mutta hän ymmärsi sangen hyvin, että Mitjalla oli ollut
vain kiire, muuten kenties olisi käynyt hullusti. Mutta rientäessään
pois Mitja kuitenkin hämmästytti sekä Fenjan että mummo Matrenan
aivan odottamattomalla päähänpistolla: pöydällä seisoi vaskinen
survinastia ja siinä survin, pieni vaskinen survin, vain
neljännesarssinan pituinen. Ulos juostessaan ja avatessaan jo
toisella kädellään ovea Mitja yhtäkkiä sieppasi toisella kädellään
survinastiasta survimen ja pisti sen sivutaskuunsa mennen tiehensä
se mukanaan.

— Ah, Herra Jumala, hän aikoo tappaa jonkun! — huudahti Fenja

lyöden käsiään yhteen.

4.

Pimeässä

»Minne hän juoksi? Tietäähän sen: missä muualla hän voisi olla
kuin Fjodor Pavlovitšin luona? Samsonovilta juoksi suoraan hänen
luokseen, se on nyt selvä. Koko juoni, koko petos on nyt
silminnähtävä»… Kaikki tämä pyöri vihurin tavoin hänen päässään.
Maria Kondratjevnan pihaan hän ei poikennut: »Sinne ei tarvitse
mennä, ei ollenkaan tarvitse… ettei syntyisi pienintäkään hälinää…
ne ilmaisevat ja ilmiantavat heti… Maria Kondratjevna on ilmeisesti
osallisena salaliitossa, Smerdjakov samoin, samoin, kaikki ovat
lahjottuja!»- Hänen mielessään syntyi toinen tuuma: tehden suuren
kierroksen hän juoksi syrjäkadun kautta Fjodor Pavlovitšin talon
ympäri, juoksi Dmitrovskaja-kadun kautta ja pienen sillan yli ja tuli
suoraan yksinäiselle takakujalle, joka oli tyhjä ja asumaton ja jota
rajoitti toiselta puolen naapuritalon säleaita, toiselta luja ja korkea
lauta-aita, joka kiersi Fjodor Pavlovitšin puutarhan ympäri. Täällä
hän valitsi paikan, nähtävästi saman, josta hänelle tutun
kertomuksen mukaan Lizaveta Smerdjaštšaja aikoinaan oli kiivennyt
puutarhaan. »Jos kerran hän kykeni kiipeämään yli», välähti Jumala
ties mistä syystä hänen päässään, »niin kuinka minä en pääsisi tästä
yli?» Ja hän hypähti todellakin aidan luo ja sai silmänräpäyksessä
kädellään kiinni sen yläreunasta, kohottautui sitten tarmokkaasti ylös
ja kiipesi istumaan aidalle kahdareisin. Puutarhassa lähellä tätä
paikkaa oli pieni sauna, mutta aidalta saattoi nähdä myös talon
valaistut ikkunat. »Aivan niin, ukon makuuhuone oli valaistu,
Grušenjka on siellä!» ja hän hyppäsi aidalta puutarhaan. Vaikka hän
tiesikin, että Grigori oli sairas ja kenties Smerdjakovkin todella oli
sairaana, eikä hänen tuloaan kukaan kuullut, niin hän kuitenkin
vaistomaisesti painautui piiloon, seisoi liikkumattomana paikallaan ja
alkoi kuulostaa. Mutta kaikkialla vallitsi kuolemanhiljaisuus ja oli
aivan tyyntäkin, ei tuulen henkäystäkään.

»Ja hiljaisuus vain kuiskailee», tämä runosäe välähti jostakin

syystä hänen päässään. »Kunhan vain ei kukaan olisi kuullut minun
hyppäävän yli; luultavasti ei kuullut kukaan.» Seisottuaan hetkisen
hän lähti hiljaa kulkemaan puutarhassa ruohikkoa pitkin; kiertäen
puut ja pensaat hän kulki kauan, hiipien joka askelen ja kuunnellen
tarkasti jokaista omaa askeltaan. Noin viiden minuutin kuluttua hän
oli saapunut valaistun ikkunan luo. Hän muisti, että aivan ikkunain
alla on muutamia isoja, korkeita, tiheitä selja- ja heisipensaita. Talon
pihanpuolinen ulko-ovi fasadin vasemmalla puolella oli lukittu, ja hän
tarkasti tämän seikan vartavasten ja huolellisesti, kun kulki ohi.
Viimein hän saapui pensaitten luo ja piiloutui niiden taakse. Hän ei
hengittänyt. »Täytyy nyt odottaa», ajatteli hän. »Jos he ovat kuulleet
askeleni ja nyt kuulostavat, niin täytyy antaa epäluulojen haihtua…
kun en vain sattuisi rykäisemään tai aivastamaan…»

Hän odotti pari minuuttia, mutta hänen sydämensä löi kiivaasti ja

hän oli joinakin hetkinä miltei tukehtua. »Ei, sydämentykytys ei mene
ohi», ajatteli hän, »en voi odottaa kauemmin». Hän seisoi pensaan
takana varjossa; ikkunasta tuleva valo valaisi pensaan etupuolen.
»Heisipuu, marjoja, miten punaisia!» kuiskasi hän tietämättä
itsekään minkätähden. Hiljaa, täsmällisin ja kuulumattomin askelin
hän meni ikkunan luo ja nousi varpailleen. Hän näki edessään kuin
kämmenellä Fjodor Pavlovitšin koko makuuhuoneen. Se oli pieni
huone, jonka poikittain jakoivat kahteen osaan punaiset verhot,
»kiinalaiset», kuten Fjodor Pavlovitš niitä nimitti. »Kiinalaiset», kaikui
Mitjan mielessä, »ja verhojen takana on Grušenjka.» Hän alkoi
tarkastella Fjodor Pavlovitšia. Tällä oli yllään uusi juovikas silkkinen
yönuttunsa, jota Mitja ei vielä koskaan ollut hänellä nähnyt ja jossa
vyönä oli tupsuniekka silkkipunos. Yönutun kaula-aukosta näkyivät
puhtaat, hienot alusvaatteet, ohut hollantilainen paita kultaisine
nappeineen. Fjodor Pavlovitšin päässä oli sama punainen side,
jonka siinä oli nähnyt Aljoša. »On vartavasten laittautunut komeaan
asuun», ajatteli Mitja. Fjodor Pavlovitš seisoi ikkunan luona ja näytti
olevan mietteissään; äkkiä hän käänsi päätään, kuulosti hetkisen, ja
kun ei mitään kuullut, meni pöydän luo, kaatoi karahvista ryyppylasin
puolilleen konjakkia ja joi sen. Sitten hän huokaisi rintansa pohjasta
asti, meni hajamielisenä seinällä riippuvan kuvastimen luo, kohotti
oikealla kädellään hiukan punaista sidettä otsaltaan ja alkoi katsella
mustelmiaan ja rupiaan, jotka vielä olivat jäljellä. »Hän on yksin»,
ajatteli Mitja, »todennäköisesti yksin». Fjodor Pavlovitš poistui
kuvastimen luota, käännähti äkkiä ikkunaan päin ja katsahti siitä.
Mitja hyppäsi silmänräpäyksessä varjoon.

»Kenties Grušenjka on siellä verhojen takana, kenties nukkuu jo»,

pisti äkkiä hänen sydämeensä. Fjodor Pavlovitš poistui ikkunan
luota. »Hän katsoi ikkunasta Grušenjkaa, siis Grušenjka ei ole siellä:
miksi hän muuten katsoisi pimeään?… Siis kärsimättömyys jäytää
häntä…» Mitja hyppäsi heti ikkunan luo ja alkoi taas katsella siitä
sisälle. Ukko istui jo pöydän ääressä, ilmeisesti alakuloisena. Viimein
hän alkoi nojata kyynärpäihinsä ja pani oikean kämmenensä
kaulalleen. Mitja katseli kiihkeästi.

»Yksinään on, yksinään!» vakuutteli hän taas. »Jos Grušenjka olisi

täällä, niin ukon kasvot olisivat toisenlaiset.» Omituista: hänen
sydämessään alkoi äkkiä kiehua jonkinmoinen järjetön ja ihmeellinen
vihastus sen johdosta, että Grušenjka ei ollut täällä.

»Ei siitä, että hän ei ole täällä», ajatteli Mitja vastaten samassa
itselleen, »vaan siitä, että en mitenkään voi saada varmaa tietoa,
onko hän täällä vai eikö.» Mitja muisti myöhemmin itse, että hänen
järkensä oli tällä hetkellä tavattoman selvä ja harkitsi kaikkea
jokaista yksityiskohtaa myöten, huomasi jokaisen pikku piirteen.
Mutta levottomuus, tietämättömyyden ja epäröinnin levottomuus
kasvoi hänen sydämessään huimaavan nopeasti. »Onko hän
lopultakin täällä vai eikö ole?» kuohui vihaisesti hänen
sydämessään. Ja hän teki äkkiä päätöksensä, ojensi kätensä ja
koputti hiljaa ikkunan kehykseen. Hän koputti niinkuin ukko ja
Smerdjakov olivat sopineet keskenään: kaksi ensimmäistä kertaa
hiljempää, sitten kolme kertaa nopeammin: kop-kop-kop, — joka
merkitsi, että Grušenjka on tullut. Ukko vavahti, käänsi päänsä,
hyppäsi nopeasti pystyyn ja syöksähti ikkunan luo. Mitja hypähti
varjoon. Fjodor Pavlovitš avasi ikkunan ja pisti päänsä ulos.

— Grušenjka, sinäkö? Sinäkö siellä? — lausui hän puoleksi

kuiskaten värisevällä äänellä. — Missä sinä olet, emoseni, enkelini,
missä? — Hän oli hirveän kiihtynyt, hän läähätti.

»Yksin!» päätti Mitja.

— Missä sinä olet? — huudahti ukko taas ja pisti päätään vielä

enemmän ulos, aivan olkapäätä myöten, ja katseli joka suuntaan,
oikealle ja vasemmalle; — tule tänne; olen valmistanut sinulle
tuomisia, tule, niin näytän!…

»Hän tarkoittaa tukkua, jossa on kolmetuhatta», välähti Mitjan

mielessä.

— Mutta missä?… Ovenko luona? Avaan heti…

Ja ukko miltei tunkeutui ulos ikkunasta katsellen oikealle, siihen

suuntaan, missä oli puutarhaan johtava ovi, ja koetti nähdä
pimeässä. Sekunnin kuluttua hän ehdottomasti juoksisi avaamaan
oven odottamatta Grušenjkan vastausta. Koko ukon Mitjalle niin
vastenmielisen profiilin, koko hänen riippuvan aataminpalansa,
koukistuneen nenänsä, hänen suloisesta odotuksesta hymyilevät
huulensa, kaiken tämän valaisi kirkkaasti vasemmalla puolella
huonetta olevan lampun vinosti lankeava loiste. Hirveä, raivoisa viha
alkoi äkkiä kuohua Mitjan sydämessä: Kas siinä hän on, hänen
kilpailijansa, hänen kiduttajansa, hänen elämänsä kiusa! Tämä oli
aivan äkillisen, kostonhimoisen ja raivokkaan vihan puuska, josta
hän, ikäänkuin sitä aavistaen, oli maininnut Aljošalle
keskustellessaan tämän kanssa huvimajassa neljä päivää sitten, kun
hän oli vastannut Aljošan kysymykseen: »Kuinka sinä voit sanoa,
että tapat isän?»

»En minä tiedä, en tiedä», oli hän silloin sanonut; »kenties en

tapa, kenties tapan. Pelkään, että hän herättää minussa äkkiä vihaa
'kasvoillansa juuri sillä hetkellä'. Minä vihaan hänen
aataminpalaansa, hänen nenäänsä, hänen silmiään, hänen
häpeämätöntä nauruaan. Tunnen persoonallista inhoa. Tätä minä
pelkään, kenties en jaksa hillitä itseäni…»

Persoonallinen inho kasvoi sietämättömäksi. Mitja ei enää tietänyt

mitä teki ja otti äkkiä taskustaan vaskisen survimen.

*****

»Jumala», kuten Mitja itse myöhemmin sanoi, »varjeli minua

silloin»: juuri samalla hetkellä heräsi sairasvuoteellaan Grigori
Vasiljevitš. Saman päivän iltana hän oli käyttänyt määrättyä
lääkitsemistapaansa, josta Smerdjakov oli kertonut Ivan
Fjodorovitšille, t.s. hieronut koko ruumiinsa vaimonsa avulla viinalla,
jossa oli jotakin salaperäistä vahvistavaa ryytiä, ja juonut loput siitä
»jonkin rukouksen kanssa», jonka hänen ylitseen oli kuiskannut
hänen vaimonsa, ja käynyt nukkumaan. Marfa Ignatjevna oli myös
ryypännyt, ja kun hän ei käyttänyt väkeviä, niin hän oli nukkunut
puolisonsa viereen sikeään uneen. Mutta nyt äkkiä oli Grigori aivan
odottamatta herännyt yöllä, hän mietti hetkisen, ja vaikka hän heti
tunsikin polttavaa kipua ristiluissaan, niin hän nousi istumaan
vuoteessaan. Sen jälkeen hän taas mietti jotakin, nousi ja pukeutui
nopeasti. Kenties hän tunsi omantunnonvaivoja siitä, että nukkuu ja
että talo on ilman vahtia »näin vaarallisena aikana». Kaatuvataudin
näännyttämä Smerdjakov makasi toisessa komerossa
liikkumattomana. Marfa Ignatjevna ei liikahtanutkaan. »Ämmä meni
heikoksi», ajatteli Grigori Vasiljevitš vilkaisten häneen ja meni ähkien
portaille. Hän aikoi tietysti vain katsahtaa portailta, sillä hän ei
jaksanut kävellä, kipu vyötäisissä ja oikeassa jalassa oli sietämätön.
Mutta samassa hän äkkiä muisti, että ei ollut illalla lukinnut
puutarhaan vievää pikku porttia. Hän oli perin säntillinen ja tarkka
mies, jolla oli vakiintuneet tapansa ja monivuotiset tottumuksensa.
Ontuen ja köyristyneenä kivusta hän astui portaita alas ja lähti
puutarhaa kohti. Aivan oikein, portti oli selko selällään. Koneellisesti
hän meni puutarhaan: kenties hänen silmissään häämötti jotakin,
kenties hän oli kuullut jonkin äänen; vilkaistuaan vasemmalle hän
näki herran ikkunan avoinna, nyt jo tyhjän ikkunan, siitä ei enää
kukaan kurkistanut ulos. »Miksi on auki, nyt ei ole kesä!» ajatteli
Grigori, ja äkkiä, aivan samassa silmänräpäyksessä, vilahti
puutarhassa suoraan hänen edessään jotakin tavatonta. Noin
neljänkymmenen askelen päässä hänen edessään näytti pimeässä
juoksevan mies, liikkui hyvin nopeasti jokin varjo. »Herra Jumala»,
lausui Grigori, ja muistamatta kipua ristiluissaan sekä poissa
suunniltaan hän lähti kulkemaan katkaistakseen juoksijan tien. Hän
valitsi lyhyemmän tien, puisto oli hänelle ilmeisesti tutumpi kuin
juoksijalle; tämä suuntasi kulkunsa saunaa kohti, juoksi saunan
taakse, painautui seinää vastaan… Grigori seurasi jäljessä
päästämättä häntä näkyvistään ja juoksi tietämättä mistään muusta
ympärillään. Hän saapui lauta-aidan luo juuri sillä hetkellä, kun
pakenija jo oli kiipeämässä aidan yli. Vimmoissaan Grigori parkaisi,
heittäytyi eteenpäin ja tarttui molemmin käsin hänen jalkaansa.

Aivan niin, hänen aavistuksensa ei ollut häntä pettänyt: hän tunsi

hänet, se oli hän, »petomainen isänmurhaaja»!

— Isänmurhaaja! — huudahti vanha mies niin, että ympäristö

kajahti, mutta muuta hän ei ennättänyt huutaa; hän kaatui kuin
ukkosen lyömänä. Mitja hyppäsi takaisin puutarhaan ja kumartui
maahan suistuneen yli. Mitjan käsissä oli vaskinen survin ja sen hän
heitti koneellisesti ruohikkoon. Survin putosi parin askelen päähän
Grigorista, mutta ei nurmelle, vaan polulle kaikkein näkyvimpään
paikkaan. Muutamia sekunteja hän katseli edessään makaavaa.
Ukon pää oli aivan verinen; Mitja ojensi kätensä ja alkoi tunnustella
sitä. Hän muisti myöhemmin selvästi, että hänen mielensä oli sillä
hetkellä hirveästi tehnyt »saada täysi varmuus», oliko hän särkenyt
ukon pääluun vaiko vain »kolhaissut» häntä survimella päälakeen.
Mutta veri vuoti, vuoti tulvimalla ja kostutti yhtäkkiä suihkuna Mitjan
vapisevia sormia. Hän muisti sittemmin, että hän tempaisi esille
valkoisen uuden nenäliinansa, jonka oli varannut mukaansa
mennessään rouva Hohlakovin luo, ja pani sen ukon päätä vastaan
koettaen mitään ajattelematta pyyhkiä verta otsalta ja kasvoilta.
Mutta liinakin tuli silmänräpäyksessä märäksi verestä. »Herra
Jumala, miksi minä tämän tein?» ajatteli Mitja yhtäkkiä. »Jos olen
iskenyt puhki, niin kuinka siitä nyt saa selvän… Ja eiköhän nyt olekin
samantekevää!» lisäsi hän äkkiä toivottomasti. — Jos tapoin, niin
tapoin… Kun satuit tielle, ukko, niin makaakin siinä! — lausui hän
kuuluvasti ja riensi äkkiä aidan luo, hyppäsi sen yli takakadulle ja
lähti juoksemaan. Verestä märkä liina oli kokoon puristettuna hänen
oikeassa kourassaan, ja hän pisti sen juostessaan takkinsa
takataskuun. Hän juoksi suin päin, ja jotkut harvat kulkijat, jotka hän
pimeässä kohtasi, muistivat myöhemmin nähneensä sinä yönä
hurjaa kyytiä juoksevan miehen. Hän kiiti taas Morozovin taloon.
Äsken oli Fenja heti hänen poistuttuaan rientänyt vanhemman
pihamiehen Nazar Ivanovitšin luo ja »Herran Kristuksen nimessä»
alkanut pyydellä, että hän »ei päästäisi enää sisälle kapteenia, ei
tänään eikä huomenna». Nazar Ivanovitš kuultuaan asian oli
suostunut tähän, mutta pahaksi onneksi hän sattui poistumaan ylös
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

ebookfinal.com