Get the full ebook with Bonus Features for a Better Reading Experience on ebookluna.

com

(eBook PDF) Handbook of Statistical Analysis and

Data Mining Applications 2nd Edition

https://ebookluna.com/product/ebook-pdf-handbook-of-
statistical-analysis-and-data-mining-applications-2nd-
edition/

OR CLICK HERE

DOWLOAD NOW

Download more ebook instantly today at https://ebookluna.com

 Instant digital products (PDF, ePub, MOBI) ready for you
Download now and discover formats that fit your needs...

Handbook of statistical analysis and data mining

applications Second Edition Elder - eBook PDF

https://ebookluna.com/download/handbook-of-statistical-analysis-and-
data-mining-applications-ebook-pdf/

ebookluna.com

(eBook PDF) Data Mining and Predictive Analytics 2nd

Edition

https://ebookluna.com/product/ebook-pdf-data-mining-and-predictive-
analytics-2nd-edition/

ebookluna.com

Predictive Modeling in Biomedical Data Mining and Analysis

1st Edition- eBook PDF

https://ebookluna.com/download/predictive-modeling-in-biomedical-data-
mining-and-analysis-ebook-pdf/

ebookluna.com

(eBook PDF) Data Mining for Business Analytics: Concepts,

Techniques, and Applications in R

https://ebookluna.com/product/ebook-pdf-data-mining-for-business-
analytics-concepts-techniques-and-applications-in-r/

ebookluna.com
(eBook PDF) An Introduction to Statistical Methods & Data
Analysis 7th

https://ebookluna.com/product/ebook-pdf-an-introduction-to-
statistical-methods-data-analysis-7th/

ebookluna.com

(eBook PDF) Introduction to Data Mining, Global Edition

2nd Edition

https://ebookluna.com/product/ebook-pdf-introduction-to-data-mining-
global-edition-2nd-edition/

ebookluna.com

(eBook PDF) Data Mining for Business Analytics: Concepts,

Techniques, and Applications with JMP Pro

https://ebookluna.com/product/ebook-pdf-data-mining-for-business-
analytics-concepts-techniques-and-applications-with-jmp-pro/

ebookluna.com

Handbook of Thermal Analysis and Calorimetry: Recent

Advances, Techniques and Applications 2nd Edition Sergey
Vyazovkin - eBook PDF
https://ebookluna.com/download/handbook-of-thermal-analysis-and-
calorimetry-recent-advances-techniques-and-applications-ebook-pdf/

ebookluna.com

(eBook PDF) Data Mining Concepts and Techniques 3rd

https://ebookluna.com/product/ebook-pdf-data-mining-concepts-and-
techniques-3rd/

ebookluna.com
 vii
CONTENTS  

Application to Mixed Models 207 Postscript 288

Neural Nets for Prediction 208 References 288
Support Vector Machines (SVMS) and Other Kernel
Learning Algorithms 211 15. Fraud Detection
Postscript 212 Preamble 289
References 213 Issues With Fraud Detection 289
How Do You Detect Fraud? 292
11. Model Evaluation and Enhancement Supervised Classification of Fraud 293
Preamble 215 How Do You Model Fraud? 294
Evaluation and Enhancement: Part of the Modeling How Are Fraud Detection Systems Built? 295
Process 215 Intrusion Detection Modeling 296
Types of Errors in Analytical Models 216 Comparison of Models With and Without
Model Enhancement Techniques 227 Time-Based Features 297
Model Enhancement Checklist 231 Building Profiles 301
Postscript 232 Deployment of Fraud Profiles 302
References 232 Postscript 302
References 302
12. Predictive Analytics for Population
Health and Care
Preamble 235 III
The Future of Healthcare, and How Predictive TUTORIALS AND CASE
Analytics Fits 235
Predictive Analytics and Population Health 246 STUDIES
Predictive Analytics and Precision
Medicine 253 Tutorial A Example of Data Mining
Postscript 257 Recipes Using Windows 10 and
References 257 Statistica 13
Further Reading 258 LINDA A. MINER

13. Big Data in Education: New

Efficiencies for Recruitment, Learning, and Tutorial B Using the Statistica Data
Retention of Students and Donors Mining Workspace Method for Analysis of
ANDY PETERSON
Hurricane Data (Hurrdata.sta)
JEFF WONG
Preamble 259
Introduction 259
Industrial Integration of Educational Psychology and
Tutorial C Case Study—Using SPSS
Big Data Analytics 274 Modeler and STATISTICA to Predict
Postscript 275 Student Success at High-Stakes Nursing
References 276 Examinations (NCLEX)
Further Reading 277 GALINA BELOKUROVA, CHIARINA PIAZZA

14. Customer Response Modeling Introduction 335

Preamble 279 Decision Management in Nursing Education 336
Early CRM Issues in Business 279 Case Study 337
Knowing How Customers Behaved Before They Research Question 337
Acted 280 Literature Review 337
CRM in Business Ecosystems 281 Dataset and Expected Strength of Predictors 338
Conclusions 287 Data Mining With SPSS Modeler 339
viii CONTENTS

Data Mining With STATISTICA 348 Tutorial I Data Prep 1–2: Data
Conclusion 355 Description
References 356
ROBERTA BORTOLOTTI, MSIS, CBAP
Further Reading 357

Tutorial D Constructing a Histogram Tutorial J Data Prep 2-1: Data

in KNIME Using MidWest Company Cleaning and Recoding
Personality Data ROBERTA BORTOLOTTI
LINDA A. MINER

Tutorial K Data Prep 2-2: Dummy

Tutorial E Feature Selection in KNIME Coding Category Variables
BOB NISBET
ROBERTA BORTOLOTTI

Why Select Features? 377

Occam’s Razor—Simple, But Not
Simplistic 377 Tutorial L Data Prep 2-3: Outlier
Local Minimum Error 378 Handling
Moving Out of the Local Minimum 379 ROBERTA BORTOLOTTI
Strategies for Reduction of Dimensionality
in Predictive Analytics Available in
KNIME 379
Tutorial M Data Prep 3-1: Filling
Missing Values With Constants
Tutorial F Medical/Business Tutorial ROBERTA BORTOLOTTI
LINDA A. MINER

Tutorial N Data Prep 3-2: Filling Missing

Tutorial G A KNIME Exercise, Values With Formulas
Using Alzheimer’s Training Data of ROBERTA BORTOLOTTI
Tutorial F
LINDA A. MINER

Introduction 423 Tutorial O Data Prep 3-3: Filling

KNIME Project 423 Missing Values With a Model
Getting the Program to Open Microsoft ROBERTA BORTOLOTTI
Excel CSV File: Alzheimer Training
Data 426
Decision Trees Node 428 Tutorial P City of Chicago Crime
Linear Correlation Node 432
Map: A Case Study Predicting Certain
Conditional Box Plot Node 436
Decision Trees Again 438 Kinds of Crime Using Statistica
End Note 442 Data Miner and Text Miner
ENDRIN TUSHE

Tutorial H Data Prep 1-1: Merging Data Analysis 599

Data Sources Text Mining 606
ROBERTA BORTOLOTTI, MSIS, CBAP Boosted Trees 614
 ix
CONTENTS  

Tutorial Q Using Customer Churn Data Generalized Degrees of Freedom 711

to Develop and Select a Best Predictive Examples: Decision Tree Surface With Noise 712
Summary and Discussion 715
Model for Client Defection Using Postscript 716
STATISTICA Data Miner 13 64-bit for Acknowledgment 717
Windows 10 References 717
RICHARD PORTER WITH ASSISTANCE OF ROBERT NISBET, Further Reading 718
LINDA A. MINER, GARY MINER
17. The “Right Model” for the
About This Tutorial 627
Business Objectives 627
“Right Purpose”: When Less Is Good
Data Preparation 630 Enough
Feature Selection 642 Preamble 719
Building a Predictive Model With STATISTICA More Is Not Necessarily Better: Lessons From Nature
Data Miner DMRecipes 646 and Engineering 720
Model Evaluation 648 Postscript 726
References 726
Tutorial R Example With C&RT to
Predict and Display Possible Structural 18. A Data Preparation Cookbook
Preamble 727
Relationships Introduction 727
GREG ROBINSON, LINDA A. MINER, MARY A. MILLIKIN CRISP-DM—Business Understanding Phase 728
CRISP-DM—Data Understanding Phase 729
References 674 CRISP-DM—Data Preparation Phase 732
CRISP-DM—Modeling Phase 736
Tutorial S Clinical Psychology: Making 18 Common Mistakes in Data Preparation in
Decisions About Best Therapy for a Client Predictive Analytics Projects 736
LINDA A. MINER Postscript 739
References 740

19. Deep Learning

IV Preamble 741
The Guiding Concept of DL Technology—Human
MODEL ENSEMBLES, MODEL Cognition 742
COMPLEXITY; USING THE Early Artificial Neural Networks (ANNs) 743
RIGHT MODEL FOR THE How ANNs Work 745
More Elaborate Architectures—DL Neural
RIGHT USE, SIGNIFICANCE, Networks 746
ETHICS, AND THE FUTURE, Postscript 750
References 751
AND ADVANCED PROCESSES Further Reading 751
16. The Apparent Paradox of Complexity 20. Significance versus Luck in the
in Ensemble Modeling Age of Mining: The Issues of P-Value
JOHN ELDER, ANDY PETERSON
“Significance” and “Ways to Test
Preamble 705 Significance of Our Predictive Analytic
Introduction 706 Models”
Model Ensembles 706 Preamble 753
How Measure Model Complexity? 709 Introduction 753
x CONTENTS

The Problem of Significance in Traditional P-Value Ethics and Data Science for the Virtues of Personal
Statistical Analysis 754 Life (Existential-Motivational) 769
USUAL Data Mining/Predictive Analytic Combination: Right Standards, Right Goals,
Performance Measures—Terminology 759 and Personal Virtue (Normative, Situational,
Unique Ways to Test Accuracy (“Significance”) Existential) 770
of Machine Learning Predictive Models 760 Michael Sandel on “Doing The Right Thing” With
Compare Predictive Model Performance Against Data Analytics 770
Random Results With Lift Charts and Decile Discovering Data Ethics in an “Alignment
Tables 760 Methodology” 771
Evaluate the Validity of Your Discovery With Target References 772
Shuffling 762 Further Reading 772
Test Predictive Model Consistency With Bootstrap
Sampling 763 22. IBM Watson
Postscript 764 Preamble 773
References 765 Introduction 773
What Exactly Is Watson? 773
21. Ethics and Data Analytics Jeopardy! 774
Internal Features of Watson 774
ANDY PETERSON
Application Programming Interfaces (APIs) 776
Preamble 767 Software Development Kits (SDKs) 778
The Birthday Party—A Practical Example for Ethical Some Existing Applications of Watson
Action 767 Techology 778
Academic Secular Ethics 768 Ushering in the Cognitive Era 780
Ethics and Data Science for the Norms of Postscript 780
Government (Deontological-Normative) 769 Reference 781
Ethics and Data Science for the Goals in Business
(Situational-Teleological) 769 Index 783
 List of Tutorials on the Elsevier
Companion Web Page

Note: This list includes all the extra tuto- 8. TUTORIAL “W”—Diabetes Control in
rials published with the 1st edition of this Patients [Field: Medical Informatics]
handbook (2009). These can be considered 9. TUTORIAL “X”—Independent
“enrichment” tutorials for readers of this 2nd Component Analysis [Field: Separating
edition. Since the 1st edition of the handbook Competing Signals]
will not be available after the release of the 10. TUTORIAL “Y”—NTSB Aircraft
2nd edition, these extra tutorials are carried Accidents Reports [Field: Engineering—
over in their original format/versions of soft- Air Travel—Text Mining]
ware, as they are still very useful in learning 11. TUTORIAL “Z”—Obesity Control in
and understanding data mining and predic- Children [Field: Preventive Health Care]
tive analytics, and many readers will want to 12. TUTORIAL “AA”—Random Forests
take advantage of them. Example [Field: Statistics—Data Mining]
List of Extra Enrichment Tutorials that 13. TUTORIAL “BB”—Response
are only on the ELSEVIER COMPANION Optimization [Field: Data Mining—
web page, with data sets as appropriate, for Response Optimization]
downloading and use by readers of this 2nd 14. TUTORIAL “CC”—Diagnostic Tooling
edition of handbook: and Data Mining: Semiconductor Industry
[Field: Industry—Quality Control]
1. TUTORIAL “O”—Boston Housing
15. TUTORIAL “DD”—Titanic—Survivors
Using Regression Trees [Field:
of Ship Sinking [Field: Sociology]
Demographics]
16. TUTORIAL “EE”—Census Data
2. TUTORIAL “P”—Cancer Gene [Field:
Analysis [Field: Demography—Census]
Medical Informatics & Bioinformatics]
17. TUTORIAL “FF”—Linear & Logistic
3. TUTORIAL “Q”—Clustering of Shoppers
Regression—Ozone Data [Field:
[Field: CRM—Clustering Techniques]
Environment]
4. TUTORIAL “R”—Credit Risk
18. TUTORIAL “GG”—R-Language
using Discriminant Analysis [Field:
Integration—DISEASE SURVIVAL
Financial—Banking]
ANALYSIS Case Study [Field: Survival
5. TUTORIAL “S”—Data Preparation and
Analysis—Medical Informatics]
Transformation [Field: Data Analysis]
19. TUTORIAL “HH”—Social Networks
6. TUTORIAL “T”—Model Deployment
Among Community Organizations
on New Data [Field: Deployment of
[Field: Social Networks—Sociology &
Predictive Models]
Medical Informatics]
7. TUTORIAL “V”—Heart Disease Visual
20. TUTORIAL “II”—Nairobi, Kenya
Data Mining Methods [Field: Medical
Baboon Project: Social Networking
Informatics]

xi
xii LIST OF TUTORIALS ON THE ELSEVIER COMPANION WEB PAGE

Among Baboon Populations in Kenya 22. TUTORIAL “KK”—Dahlia Mosaic

on the Laikipia Plateau [Field: Social Virus: A DNA Microarray Analysis of 10
Networks] Cultivars from a Single Source: Dahlia
21. TUTORIAL “JJ”—Jackknife and Garden in Prague, Czech Republic
Bootstrap Data Miner Workspace and [Field: Bioinformatics]
MACRO [Field: Statistics Resampling
Methods]

The final companion site URL will be https://www.elsevier.com/books-and-journals/

book-companion/9780124166325.
 Foreword 1 for 1st Edition

This book will help the novice user be- • Asking the wrong question—when
come familiar with data mining. Basically, looking for a rare phenomenon, it may
data mining is doing data analysis (or statis- be helpful to identify the most common
tics) on data sets (often large) that have been pattern. These may lead to complex
obtained from potentially many sources. As analyses, as in item 3, but they may also
such, the miner may not have control of the be conceptually simple. Again, you may
input data, but must rely on sources that have need to take care that you don't overfit
gathered the data. As such, there are prob- the data.
lems that every data miner must be aware of • Don't become enamored with the data.
as he or she begins (or completes) a mining There may be a substantial history from
operation. I strongly resonated to the mate- earlier data or from domain experts that
rial on “The Top 10 Data Mining Mistakes,” can help with the modeling.
which give a worthwhile checklist: • Be wary of using an outcome variable (or
• Ensure you have a response variable and one highly correlated with the outcome
predictor variables—and that they are variable) and becoming excited about the
correctly measured. result. The predictors should be “proper”
• Beware of overfitting. With scads of predictors in the sense that they (a) are
variables, it is easy with most statistical measured prior to the outcome and (b)
programs to fit incredibly complex are not a function of the outcome.
models, but they cannot be reproduced. It • Do not discard outliers without solid
is good to save part of the sample to use justification. Just because an observation
to test the model. Various methods are is out of line with others is insufficient
offered in this book. reason to ignore it. You must check the
• Don't use only one method. Using only circumstances that led to the value. In
linear regression can be a problem. any event, it is useful to conduct the
Try dichotomizing the response or analysis with the observation(s) included
categorizing it to remove nonlinearities and excluded to determine the sensitivity
in the response variable. Often, there are of the results to the outlier.
clusters of values at zero, which messes • Extrapolating is a fine way to go
up any normality assumption. This, of broke; the best example is the stock
course, loses information, so you may market. Stick within your data, and
want to categorize a continuous response if you must go outside, put plenty
variable and use an alternative to of caveats. Better still, restrain the
regression. Similarly, predictor variables impulse to extrapolate. Beware that
may need to be treated as factors rather pictures are often far too simple and
than linear predictors. A classic example we can be misled. Political campaigns
is using marital status or race as a linear oversimplify complex problems (“my
predictor when there is no order. opponent wants to raise taxes”; “my

xiii
xiv FOREWORD 1 FOR 1st EDITION

opponent will take us to war”) when using mean replacement, almost the
the realities may imply we have same set of predictor variables surfaced,
some infrastructure needs that can be but the residual sum of squares was 20.
handled only with new funding or we I then used multiple imputation and
have been attacked by some bad guys. found approximately the same set of
Be wary of your data sources. If you are predictors but had a residual sum of
combining several sets of data, they need squares (median of 20 imputations) of
to meet a few standards: 25. I find that mean replacement is rather
• The definitions of variables that are optimistic but surely better than relying
being merged should be identical. Often, on only complete cases. Using stepwise
they are close but not exact (especially regression, I find it useful to replicate
in metaanalysis where clinical studies it with a bootstrap or with multiple
may have somewhat different definitions imputations. However, with large data
due to different medical institutions or sets, this approach may be expensive
laboratories). computationally.
• Be careful about missing values. Often, To conclude, there is a wealth of material
when multiple data sets are merged, in this handbook that will repay study.
missing values can be induced: one
variable isn't present in another data set; Peter A. Lachenbruch
what you thought was a unique variable Oregon State University, Corvallis, OR,
name was slightly different in the two United States
sets, so you end up with two variables American Statistical Association,
that both have a lot of missing values. Alexandria, VA, United States
• How you handle missing values can be Johns Hopkins University, Baltimore,
crucial. In one example, I used complete MD, United States
cases and lost half of my sample; all UCLA, Los Angeles, CA, United States
variables had at least 85% completeness, University of Iowa, Iowa City, IA,
but when put together, the sample lost United States
half of the data. The residual sum of University of North Carolina, Chapel
squares from a stepwise regression was Hill, NC, United States
about 8. When I included more variables
 Foreword 2 for 1st Edition

A November 2008 search on https:// This book is different; it is organized

www.amazon.com/ for “data mining” with the practitioner in mind. The volume
books yielded over 15,000 hits—including 72 is divided into four parts. Part I provides
to be published in 2009. Most of these books an overview of analytics from a historical
either describe data mining in very technical perspective and frameworks from which to
and mathematical terms, beyond the reach approach data mining, including CRISP-DM
of most individuals, or approach data min- and SEMMA. These chapters will provide a
ing at an introductory level without suffi- novice analyst an excellent overview by de-
cient detail to be useful to the practitioner. fining terms and methods to use and will
The Handbook of Statistical Analysis and Data provide program managers a framework
Mining Applications is the book that strikes from which to approach a wide variety of
the right balance between these two treat- data mining problems. Part II describes algo-
ments of data mining. rithms, though without extensive mathemat-
This volume is not a theoretical treatment ics. These will appeal to practitioners who
of the subject—the authors themselves recom- are or will be involved with day-to-day an-
mend other books for this—but rather contains alytics and need to understand the qualita-
a description of data mining principles and tive aspects of the algorithms. The inclusion
techniques in a series of “knowledge-­transfer” of a chapter on text mining is particularly
sessions, where examples from real data mining timely, as text mining has shown tremen-
projects illustrate the main ideas. This aspect dous growth in recent years.
of the book makes it most valuable for practi- Part III provides a series of tutorials that
tioners, whether novice or more experienced. are both domain-specific and software-­
While it would be easier for everyone if specific. Any instructor knows that examples
data mining were merely a matter of find- make the abstract concept more concrete,
ing and applying the correct mathematical and these tutorials accomplish exactly that.
equation or approach for any given problem, In addition, each tutorial shows how the
the reality is that both “art” and “science” ­solutions were developed using popular data
are necessary. The “art” in data mining re- mining software tools, such as Clementine,
quires experience: when one has seen and Enterprise Miner, Weka, and STATISTICA.
overcome the difficulties in finding solutions The step-by-step specifics will assist practi-
from among the many possible approaches, tioners in learning not only how to approach
one can apply newfound wisdom to the next a wide variety of problems but also how
project. However, this process takes consid- to use these software products effectively.
erable time, and particularly for data min- Part IV presents a look at the future of data
ing novices, the iterative process inevitable mining, including a treatment of model
in data mining can lead to discouragement ensembles and “The Top 10 Data Mining
when a “textbook” approach doesn't yield a Mistakes,” from the popular presentation by
good solution. Dr. Elder.

xv
xvi FOREWORD 2 FOR 1st EDITION

However, the book is best read a few the ­excellent “History of Statistics and Data
chapters at a time while actively doing Mining” chapter and chapters 16, 17, and
the data mining rather than read cover to 18. These are broadly applicable and should
cover (a daunting task for a book this size). be read by even the most experienced data
Practitioners will appreciate tutorials that miners.
match their business objectives and choose The Handbook of Statistical Analysis and
to ignore other tutorials. They may choose Data Mining Applications is an exceptional
to read sections on a particular algorithm to book that should be on every data miner's
increase insight into that algorithm and then bookshelf or, better yet, found lying open
decide to add a second algorithm after the next to their computer.
first is mastered. For those new to a partic-
ular software tool highlighted in the tutori- Dean Abbott
als section, the step-by-step approach will Abbott Analytics, San Diego, CA,
operate much like a user's manual. Many United States
chapters stand well on their own, such as
 Preface

Much has happened in the professional • Operations research—decision science

discipline known previously as data mining and optimization of business processes
since the first edition of this book was written • Stock market quants—focused on
in 2008. This discipline has broadened and stock market trading and portfolio
deepened to a very large extent, requiring a optimization.
major reorganization of its elements. A new • Data engineering—focused on
parent discipline was formed, data science, optimizing data flow through memories
which includes previous subjects and activi- and storage structures
ties in data mining and many new elements • Business intelligence—focused primarily
of the scientific study of data, including stor- on descriptive aspects of data but
age structures optimized for analytic use, predictive aspects are coming
data ethics, and performance of many ac- • Business analytics—focused primarily
tivities in business, industry, and education. on the predictive aspects of data but is
Analytic aspects that used to be included in merging with descriptives
data mining have broadened considerably to (based on an article by Vincent

include image analysis, facial recognition, in- Granville published in http://www.
dustrial performance and control, threat de- datasciencecentral.com/profiles/
tection, fraud detection, astronomy, national blogs/17-analytic-disciplines-compared.)
security, weather forecasting, and financial In this book, we will use the terms “data
forensics. Consequently, several subdisci- mining” and “predictive analytics” synony-
plines have been erected to contain various mously, even though data mining includes
specialized data analytic applications. These many descriptive operations also.
subdisciplines of data science include the Modern data mining tools, like the ones
following: featured in this book, permit ordinary busi-
• Machine learning—analytic algorithm ness analysts to follow a path through the
design and optimization data mining process to create models that
• Data mining—generally restricted in are “good enough.” These less-than-optimal
scope now to pattern recognition apart models are far better in their ability to lever-
from causes and interpretation age faint patterns in databases to solve prob-
• Predictive analytics—using algorithms to lems than the ways it used to be done. These
predict things, rather than describe them tools provide default configurations and
or manage them automatic operations, which shield the user
• Statistical analysis—use of parametric from the technical complexity underneath.
statistical algorithms for analysis and They provide one part in the crude analogy
prediction to the automobile interface. You don't have
• Industrial statistical analysis—analytic to be a chemical engineer or physicist who
techniques to control and direct industrial understands moments of force to be able to
operations operate a car. All you have to do is learn to

xvii
xviii PREFACE

turn the key in the ignition, step on the gas is enough here to permit you to construct
and the brake at the right times, and turn the “smart enough” business operations with a
wheel to change direction in a safe manner, relatively small amount of the right informa-
and voilà, you are an expert user of the very tion. James Taylor developed this concept
complex technology under the hood. The for automating operational ­decision-making
other half of the story is the instruction man- in the area of enterprise decision man-
ual and the driver's education course that agement (Raden and Taylor, 2007). Taylor
help you to learn how to drive. recognized that companies need decision-
This book provides the instruction man- making systems that are automated enough
ual and a series of tutorials to train you how to keep up with the volume and time-­critical
to do data mining in many subject areas. We nature of modern business operations.
provide both the right tools and the right These decisions should be deliberate, pre-
intuitive explanations (rather than formal cise, and consistent across the enterprise;
mathematical definitions) of the data mining smart enough to serve immediate needs
process and algorithms, which will enable appropriately; and agile enough to adapt
even beginner data miners to understand the to new opportunities and challenges in the
basic concepts necessary to understand what company. The same concept can be applied
they are doing. In addition, we provide many to nonoperational systems for customer re-
tutorials in many different industries and lationship management (CRM) and market-
businesses (using many of the most common ing support. Even though a CRM model for
data mining tools) to show how to do it. cross sell may not be optimal, it may enable
several times the response rate in prod-
uct sales following a marketing campaign.
OVERALL ORGANIZATION Models like this are “smart enough” to drive
OF THIS BOOK companies to the next level of sales. When
models like this are proliferated through-
We have divided the chapters in this book out the enterprise to lift all sales to the next
into four parts to guide you through the as- level, more refined models can be developed
pects of predictive analytics. Part I covers the to do even better. This e­ nterprise-wide “lift”
history and process of predictive analytics. in intelligent operations can drive a com-
Part II discusses the algorithms and methods pany through evolutionary rather than rev-
used. Part III is a group of tutorials, which olutionary changes to reach long-term goals.
serve in principle as Rome served—as the Companies can leverage “smart enough”
central governing influence. Part IV presents decision systems to do likewise in their pur-
some advanced topics. The central theme of suit of optimal profitability in their business.
this book is the education and training of Clearly, the use of this book and these tools
beginning data mining practitioners, not the will not make you experts in data mining.
rigorous academic preparation of algorithm Nor will the explanations in the book per-
scientists. Hence, we located the tutorials in mit you to understand the complexity of the
the middle of the book in Part III, flanked by theory behind the algorithms and methodol-
topical chapters in Parts I, II, and IV. ogies so necessary for the academic student.
This approach is “a mile wide and an inch But we will conduct you through a relatively
deep” by design, but there is a lot packed into thin slice across the wide practice of data
that inch. There is enough here to stimulate mining in many industries and disciplines.
you to take deeper dives into theory, and there We can show you how to create powerful
 PREFACE xix
predictive models in your own organization Coauthor Gary Miner wishes to thank his
in a relatively short period of time. In addi- wife, Linda A. Winters-Miner, PhD, who has
tion, this book can function as a springboard been working with Gary on similar books over
to launch you into higher-level studies of the the past 30 years and wrote several of the tu-
theory behind the practice of data mining. torials included in this book, using ­real-world
If we can accomplish those goals, we will data. Gary also wishes to thank the following
have succeeded in taking a significant step in people from his office who helped in various
bringing the practice of data mining into the ways, including Angela Waner, Jon Hillis, Greg
mainstream of business analysis. Sergeant, and Dr. Thomas Hill, who gave per-
The three coauthors could not have done mission to use and also edited a group of the
this book completely by themselves, and tutorials that had been written over the years
we wish to thank the following individuals, by some of the people listed as guest authors in
with the disclaimer that we apologize if, by this book. Dr. Dave Dimas, of the University of
our neglect, we have left out of this “thank- California—Irvine, has also been very helpful
you list” anyone who contributed. in providing suggestions for enhancements for
Foremost, we would like to thank ac- this second edition—THANK YOU DAVE !!!
quisitions editor (name to use?) and others Without all the help of the people men-
(names). Bob Nisbet would like to honor tioned here and maybe many others we failed
and thank his wife, Jean Nisbet, PhD, who to specifically mention, this book would never
blasted him off in his technical career by re- have been completed. Thanks to you all!
typing his PhD dissertation five times (be-
fore word processing) and assumed much
of the family's burdens during the writing Bob Nisbet
of this book. Bob also thanks Dr. Daniel B. Gary Miner
Botkin, the famous global ecologist, for in- Ken Yale
troducing him to the world of modeling and
exposing him to the distinction between
viewing the world as machine and viewing Reference
it as ­organism. And thanks are due to Ken Raden, N., Taylor, J., 2007. Smart Enough Systems: How to
Reed, PhD, for inducting Bob into the prac- Deliver Competitive Advantage by Automating Hidden
Decisions. Prentice Hall, NJ, ISBN: 9780132713061.
tice of data mining.
Random documents with unrelated
content Scribd suggests to you:
The Project Gutenberg eBook of Nacha
Regules: Novela
This ebook is for the use of anyone anywhere in the United States
and most other parts of the world at no cost and with almost no
restrictions whatsoever. You may copy it, give it away or re-use it
under the terms of the Project Gutenberg License included with this
ebook or online at www.gutenberg.org. If you are not located in the
United States, you will have to check the laws of the country where
you are located before using this eBook.

Title: Nacha Regules: Novela

Author: Manuel Gálvez

Release date: November 20, 2019 [eBook #60748]

Language: Spanish

Credits: Produced by Andrés V. Galia, María C. Fernández Quintana

and the Online Distributed Proofreading Team at
http://www.pgdp.net (This file was produced from images
generously made available by The Internet Archive)

*** START OF THE PROJECT GUTENBERG EBOOK NACHA REGULES:

NOVELA ***
 NOTAS DEL TRANSCRIPTOR

Las reglas ortográficas del castellano cuando esta obra fue publicada
por primera vez eran diferentes a las existentes cuando se realizó la
transcripción.
Por ejemplo "vió", "fué", "dió", en esa época se escribían con acento
ortográfico, mientras que vocablos que actualmente llevan acento
ortográfico, como "reír" y "oír", cuando la obra fue publicada no lo
llevaban.
El criterio utilizado para llevar a cabo esta transcripción ha sido el de
respetar las reglas de ortografía vigentes al momento de la
publicación de la obra. Sólo errores evidentes de ortografía,
impresión y/o puntuación, han sido corregidos.
La cubierta del libro fue modificada por el Transcriptor y ha sido
puesta en el dominio público.
El Índice de capítulos ha sido agregado por el Transcriptor.
 MANUEL GÁLVEZ

NACHA REGULES
NOVELA

EDITORIAL PAX
BUENOS AIRES
1919
 DEDICO ESTE LIBRO
A LAS MUJERES DE CORAZÓN,
PARA QUE NO IGNOREN CÓMO ES DE TRISTE LA VIDA
DE SUS HERMANAS QUE CAYERON,
Y LES TENGAN PIEDAD Y LES OFREZCAN SUS MANOS
PARA LEVANTARLAS DEL TERRIBLE ABISMO.
 ÍNDICE DE CAPÍTULOS
CAPÍTULO Pág
I 7
II 22
III 33
IV 47
V 58
VI 74
VII 92
VIII 107
IX 118
X 132
XI 147
XII 159
XIII 169
XIV 186
XV 202
XVI 215
XVII 226
XVIII 239
XIX 251
XX 264
XXI 277
XXII 287
XXIII 302
XXIV 313
EPÍLOGO 321
 I

Noche de Agosto. Buenos Aires ardía en millones de luces, deliraba

en fiestas jubilosas, se exaltaba en la fiebre de su adolescente
energía. En Mayo comenzaron las fiestas. Vinieron millares de gentes
desde todos los rincones del país, desde las repúblicas vecinas. Y
aun desde Europa vinieron.
Durante los grandes días, el gentío, en procesión monstruosa y
lenta, cubrió el asfalto de las calles centrales. El pasar de las gentes
era infinito; las calles y las casas parecían moverse. Al atardecer,
cuando la multitud se espesaba, las calles producían la sensación de
algo que se iba hinchando. Por las noches, cuarenta teatros e
innumerables cines y conciertos apretaban, en sus salas,
desbordantes trozos de muchedumbre.
En los cabarets se codeaban el ruidoso libertinaje y la curiosidad. El
cabaret porteño—sólo el nombre de común, con el de París—, es un
baile público: una sala, mesas donde beber y una orquesta. Jóvenes
de las altas clases, sus queridas, curiosos y algunas muchachas "de
la vida" que acuden solas, son los clientes del cabaret. El tango,
danza allí casi exclusiva, y la orquesta típica—compadritos y
mulatillos en su mayoría—, instalan entre el champaña y los
smokings el alma del arrabal. Los músicos cantan ciertos tangos,
gritan, golpean sobre las maderas de los instrumentos, gesticulan.
Las siluetas de los danzantes se tuercen, se enredan, se paralizan. Y
el bandoneón, con sus notas bajas y oscuras, subraya los tangos de
largas sombras dolorosas.
Pero no todo en el cabaret es danza. Algunas noches el escándalo
corta de golpe el baile, de un cabo al otro de la sala, como un
vibrante y enorme tajo. Una terca mirada a la mujer de otro, un
violento choque de parejas o una sospecha de burlas, hacen hinchar
las bocas de amenazas y zigzaguear los revólveres. La "patota",
protagonista usual de estas escenas, es un grupo de jóvenes
malcriados. Su placer más fuerte consiste en molestar, insultar,
agredir con los puños o con armas, trastornar en gresca tabernaria
las reuniones pacíficas. Indignarse contra los patoteros o querer
repulsar sus agresiones, es ofrecerse al brazo habituado o a la bala
certera, que surgirán a traición, canallescamente.
Aquella noche de Agosto, en uno de estos cabarets, atestado de
gente, se bailaba con frenesí. Dijérase que una gigantesca mano
invisible, desde lo alto de la sala, revolvía las parejas
insaciablemente. Todas las mesas, ocupadas. Las botellas de
champaña sacaban sus cuellos aristocráticos de la prisión glacial que
las ahogaba. Bajo las luces, los colores de las toalés femeninas se
exacerbaban; y las carnes, que los pródigos escotes mostraban,
aparecían relucientes, vibrantes y doradas. Tangos y más tangos.
Dibujábanse, con rapidez cinematográfica y en mezcolanza fortuita,
actitudes elegantes e involuntarias caricaturas. Los músicos,
agitándose, gritaban "¿Qué me batís?", y otras frases de malevos.
Una pareja de tanguistas emergió del conjunto entre aplausos.
Súbitamente, el bloque movible se abrió redondamente en su centro,
y allí, rodeada por el brocal de los rostros, por las palabras
admirativas y pintorescas y por los aplausos, la pareja se
contorsionó y se rehizo hasta el infinito, en matices minuciosos, bajo
la turbia ansia sensual de un tango ardiente, que el bandoneón
aplacaba con el dolor de sus sombras.
Cuando esto cesó, muchos ojos se amontonaron sobre un hombre
extraño, solitario en una mesita. Era extraño a fuerza de tristeza y
preocupación. Era extraño, por su absoluta indiferencia hacia todo lo
que le rodeaba. Vestía de negro, con elegancia y severidad. Su
rostro era magnéticamente atrayente. Se sentía que ese hombre
tenía un alma. Y que esa alma sufría. Por sus facciones se diluía una
expresión atormentada.
Fuera de su propia preocupación, sólo le acompañaba, en aquella su
soledad, el mirar disimulado de una lindísima muchacha que, con
varias personas, ocupaba una mesa próxima. Aquel hombre no
estaba en el cabaret. Sus ojos, cuando no eran para la vecina,
ascendían a lejanos mundos. Iban sin duda a buscar cosas muy
distantes, para llenar con algo la soledad de su alma o para dárselas
a aquella mujercita en la punta de una mirada.
Los individuos en cuya compañía estaba ella, formaban una patota.
Eran cinco y tenían en su mesa tres mujeres. No pertenecían
aquellos sujetos a la sociedad aristocrática, pero eran lo que se
llama en Buenos Aires "gente bien". Sus apellidos tenían
representantes en la política y en los negocios y salían con
frecuencia en las crónicas sociales de los diarios. Personalmente, no
eran ellos distinguidos. Hablaban a gritos, reían a carcajadas,
usaban términos compadrones, bailaban exagerando los hombros,
ostentaban su champaña y llevaban, en pleno invierno, trajes claros
y corbatas llamativas. Unos "guarangos" típicos, pues.
La muchacha que había impresionado al hombre solitario estaba
triste. Una dulce melancolía circulaba por su rostro alargado, por sus
ojos ardientes y oscuros, por su boca, quizás un poco grande. Y todo
en ella completaba el melancólico atractivo de su persona: el
enorme sombrero, que le daba un aire ingenuo; la elegancia, un
poco al desgaire, de su vestir; la actitud de abandono y nonchalance
de sus largos brazos, flacos pero bien modelados, y cubiertos hasta
más allá del codo por guantes blancos; su escote, que hacía resaltar
el dorado desvanecido de la piel; sus cabellos de un color rubio
amortiguado, que le caían en guedejas formando un lindo marco a la
tristeza de su rostro. El hombre advirtió que ella se esforzaba
inútilmente en alegrarse y reir con sus compañeros. La tristeza se
había entercado en su persona, y a su voluntad le faltaba fuerzas
para alejarla. Hubo un momento en que la tristeza aumentó hasta
desbordar. Entonces sus compañeros lo notaron. Uno de ellos, en
quien ya el vino operaba, gritó:
—¿Pero qué te pasa, ché? ¡Avisá si te está por dar el cólera!
Era un individuo desgarbado y feo, chato, movedizo, chillón,
gesticulante. Llamábanle el Pato. Sus amigos festejaron la gracia con
risotadas. La muchacha intentó una sonrisa. Y por la ventana de esa
sonrisa, el hombre solitario vió el pozo interior del sufrimiento de
aquella criatura. Y su rostro se contrajo ligeramente.
—Metéle champán, no más, que es bueno pal dolor de barriga—
continuó el Pato, alentado por el éxito.
—No hagás caso, Nacha—dijo una de las mujeres, fríamente, como
por obligación.
Nuevas risas en el grupo y aun en las mesas próximas. La
muchacha, avergonzada, miraba con desconfianza y miedo hacia
todas partes. Cuando sus ojos se encontraron con los del hombre
solitario, aumentó su vergüenza.
La orquesta concluyó un tango. En la quietud que siguió, los
patoteros se burlaron de Nacha. Uno, que parecía el amante,
incitaba a los demás. Las mujeres se afiliaban hipócritamente a
aquella bajeza. Casi todo el cabaret llegó a tomar parte en la burla.
En cierto momento, Nacha, que ya no podía soportar aquello, se
llevó las manos a la cara. Entonces el Pato gimió grotescamente:
—¡Ay, ay, ay!—, mientras algunos espectadores dislocaban sus
hocicos en un escándalo de carcajadas exageradas, o coreaban al
llorón:—¡Ay, ay, ay!
—¡Me estás poniendo en ridículo!—exclamó el amante, dirigiéndose
a Nacha y agregando una palabrota.
Y otra vez, en la orquesta, un tanto. Las notas lánguidas, los ritmos
cojeantes, el espeso abejeo del bandoneón, desalojaron a los
gemidos y a las risas. Ya las parejas se hamacaban, o se deslizaban
con los cuerpos rígidos y los rostros graves. El dueño de Nacha se
levantó para bailar con ella. La infeliz resistía, y él, tomándola de los
brazos con violencia, la plantó en medio de la sala.
—¡Dejáme! No puedo bailar...
—¡Vas a bailar, te digo! ¡...ciendo papelones!
—Mirá que no puedo, por favor...
Pero el sujeto ya la había tomado de la cintura y entraba con ella en
la rítmica agitación. El hombre solitario se había estremecido al ver
aquella brutalidad. Dentro de él una lucha se agrandaba. Muchos
pares de ojos, convergiendo en este hombre, pregustaban
inquietamente un drama.
Nacha, sin ánimos para bailar, no tardó en desasirse y en volver a la
mesa, que estaba sola, pues sus compañeros danzaban. El sujeto,
sonriendo de rabia, se sentó a su lado, la injurió y la amenazó.
Hablaba adelantando la mandíbula inferior, apretando los dientes y
haciendo con los labios contorsiones de enojo y de desprecio.
—¡Me la vas a pagar esta noche!—se le oyó mascullar una vez,
mientras la sacudía de un brazo.
El hombre solitario examinaba a aquel sujeto alto y corpulento,
cariancho, afeitado, con una cicatriz en la barba, de grandes
espaldas, de piel oscura, de ojos chicos, duros y algo indígenas y de
modales autoritarios y antipáticos. Gran perla en su corbata-
plastrón, polainas blancas sobre los botines de charol y enormes
anillos en los dedos. Individuo de ésos que abundan entre la gente
porteña. Rastacueros, exhiben sus pesos y sus mujeres. Viven
maritalmente con alguna muchacha bonita, pues si no lo hicieran
así, si no tuvieran "hembra", se sentirían sin prestigio. Pasan las
noches en los teatros y cabarets con otros amigos y sus queridas.
Beben champaña, hacen ruido, molestan, hablan a gritos, "titean" a
algún "candidato" ocasional. Son rumbosos, agresivos, audaces.
¡Cuidado del que mire a sus mujeres! ¡Cuidado del que detenga en
ellos los ojos! El revólver les abulta el muslo derecho y es habitual
apéndice de su mano. A las mujeres las tratan como a bestias de
placer, sin delicadeza, ni ternura, ni simpatía humana. Y sin
embargo, las mujeres se ligan fuertemente a ellos, tal vez porque los
consideran muy machos, porque saben lucirlas y porque la violencia
del instinto es tan grande en ellos que les hace inagotables en el
amor. Algunos de estos hombres tienen título de abogado, o llevan
un apellido notorio. Son todos carreristas y jugadores. Viajaron por
Europa, injuriando, con su arrogancia y su rastacuerismo, a las
gentes civilizadas. En París iban siempre acompañados de
prostitutas, y escandalizaban en las tabernas y cabarets para
mostrar su gracia y su coraje criollo. Tipos repugnantes, mezcla de
bárbaros y civilizados, de compadritos y personas decentes,
constituyen la descendencia urbana del gaucho Juan Moreira. ¡Seres
sin escrúpulos, sin moral, sin disciplina, sin más ley que su capricho
y su placer!
Mientras tanto, Nacha, con las manos en el rostro, lloraba. El
patotero se enfurecía, levantaba la voz, y la amenazaba cada vez
con mayor enojo. La llamaba histérica, farsante, ridícula; y decía que
todo lo aguantaba, menos los lloriqueos y los papelones. En el
hombre solitario se iba desdibujando la inmovilidad de su silueta. Sin
duda ya no podía soportar tanta maldad.
La fina espada del violín degolló el tango que agonizaba. Los
patoteros y sus mujeres retornaron a la mesa. El llorón, ante las
lágrimas de la víctima, volvió a sus ayes gemebundos. De pie, con
los puños sobre los ojos y en la actitud de un pelele estúpido,
berreaba grotescamente. La bulla explotaba en todos los lugares del
cabaret. Cada átomo del cabaret reía. La víctima terminó por
habituarse al espectáculo, y las lágrimas, en vez de subir a los ojos,
fueron cayendo muy adentro. Y hasta fingió indiferencia, levantando
los hombros y haciendo con los labios un desdeñoso gesto. Pero
aquél que la miraba leyó en sus ojos, todavía enrojecidos, la
confesión de un hondo sufrimiento.
Cuando el nuevo tango aplastó bajo sus pies innumerables la farsa
innoble, otro de los patoteros, un muchachón flaco y alto, de cintura
entallada femeninamente, quiso bailar con Nacha.
—Ya he dicho que no quiero...
—¿Qué?—exclamó el amante, abalanzándose sobre elle y
agarrándola de los brazos, resuelto a levantarla.
—Por favor, no puedo, no puedo...
—¡Qué no puedo, ni no puedo!
La lucha duró un segundo. El hombre triunfó. Arrancándola de la
silla, la sacó del sitio y la empujó hacia el centro de la sala, para que
su amigo la tomara y bailara. Pero el perverso lo hizo con tal fuerza,
que la arrojó al suelo.
En el mismo instante ocurrió algo inaudito. El hombre solitario, que
al comenzar la lucha se había puesto de pie, avanzaba ahora.
Avanzaba serenamente hacia el brutal sujeto. Estupor. Sensación.
Por entre la masa de los espectadores culebreó un temblor de
inquietud. Un anillo de siluetas ansiosas encerró a los protagonistas.
Cortóse el tango. Sobró un gemido del bandoneón, que entristeció
de negruras el ambiente.
—¿Qué hay?—escupió el patotero al rostro del intruso, mientras en
sus ojos con algo de indio, y ahora más achicados y endurecidos que
nunca, surgía una chispa de odio bárbaro, de maldad primitiva y
ancestral.
Asombraba la impavidez del intruso. Frente al victimario de Nacha,
permanecía sereno, casi indiferente. Apenas si un lacónico tic de los
labios y un temblor en las manos denunciaba su indignación.
Mirando fijamente a su interlocutor, dijo con firmeza y lentitud:
—Exijo que no maltrate a esa mujer.
Nadie supo si esto era inconsciencia o coraje. De regular estatura y
más bien delgado, parecía que debiese ser devorado por aquel
hombrón semibárbaro que era el patotero, y por sus cuatro
compinches que, en ley de patota, le acometerían a golpes o a
balazos. La estupefacción de los cinco hombres, sorprendidos de que
uno solo se atreviese con ellos, había paralizado sus movimientos.
—¿Qué dice?—preguntó el patotero, como si no hubiese oído bien.
—Que le exijo...
Un súbito y unánime ataque de los cuatro patoteros guillotinó su
frase. Simultáneamente removióse la concurrencia. Rodó alguna
silla. Unos contra otros, aplastáronse muchos cuerpos sobre la
estrecha puerta de salida.
—¡Apártense! ¡Nadie toque a ese hombre!—rugió despóticamente el
dueño de Nacha.
Garras ansiosas y puños vibrantes quedaron en el aire. Luego el
mandón, como sus amigos permanecieran junto al intruso con su
asombro y sus deseos agresivos, los impelió uno a uno, hacia la
mesa. Después se encaró con los espectadores. Sin duda tuvo
intenciones provocativas, pero viendo allí una multitud, se limitó a
decir:
—¡... pasao nada, señores! ¡A bailar!
Y dirigiéndose a la orquesta, gritó:
—¡Siga la música! ¡Tango!
La orquesta, que se había deshecho ante el escándalo, se rehizo
instantáneamente. Recogida en sí misma unos segundos, empujó
con presteza un tango al medio de la sala. Y la gente, parte por
temor al mandón y a su patota, y parte queriendo olvidar un
incidente que era lógico terminara a balazos, bailó en seguida.
Pasado el peligro, a todos convenía suprimirlo para que no volviese.
Mientras tanto, los dos hombres, de pie, hablaban.
—No me conoce usted—dijo el sujeto, sobando sus anillos, como
para entretener las manos rencorosas que, estremecidas, ansiaban
dar el salto.—Pero yo lo conozco. Usted es el doctor Fernando
Monsalvat. Y bueno, señor Monsalvat; voy a darle un consejo,
¿sabe? No se meta con nosotros, y váyase. Inmediatamente, sin
chistar. Usted es más viejo que yo, tendrá más o menos cuarenta
años; yo tengo treinta y soy más fuerte y estoy acostumbrado a
estas cosas. Además, ahí están mis compañeros, saliéndose de la
vaina, como quien dice. Váyase a su casa y no se exponga. Y si le
doy este buen consejo, es porque tengo razones para dárselo.
Los patoteros se preguntaban con los ojos quién sería aquel hombre.
Se preguntaban qué razones tendría su amigo para impedir que le
rompiesen el alma. La muchacha, sentada, no quitaba los ojos de su
defensor. La orquesta tocaba un tango sollozante, cortado de
silencios, lúgubre a veces por el grueso esfumino del bandoneón.
Innúmeras parejas bailaban, abrochadas las mujeres a los hombres.
Monsalvat había oído con indiferencia a su interlocutor. Y replicó,
sereno:
—Nada sé de su consejo. Lo que quiero es que no maltrate a esa
infeliz.
—¿Qué...? ¿Infeliz?
Retrocedió fulminantemente, como en impulso de ataque. Sus ojos
picotearon con rapidez a su alrededor. Una mano buscó el revólver.
Pero la tranquilidad de Monsalvat le detuvo. Perplejo, azorado,
creyóse un poco en ridículo. Aquel hombre ni le provocaba, ni le
temía. Vió que la gente, aun sus amigos, no advirtieron su actitud, y
decidió suavizarse. Se calmó otra vez. Pasaron dos o tres minutos.
Monsalvat seguía allí, fuerte en su silencio y en su serenidad. De su
alma surgían efluvios misteriosos que comenzaban a penetrar en el
espíritu de su enemigo. Iba éste desconcertándose. Abandonó su
aire bravucón y dijo, riendo falsamente, en tono despreciativo:
—No lo toco porque le tengo miedo, ¿sabe? Usted parece muy tigre.
Y me da lástima por mis compañeros. No quisiera que se los
comiese vivos...
Calló, comprendiendo la miseria de sus palabras y su inoportunidad.
Fastidióse contra sí mismo. Luego se acercó más a su interlocutor, y
colocándole una mano sobre el hombro, le dijo:
—Mire, señor Monsalvat... Agradezca que... Bueno, no se lo digo...
Agradezca que soy quien soy. Pero para que vea su equivocación al
juzgarme, va a hablar con ella ahora mismo. Puede preguntarle lo
que quiera.
Se apartó y trajo a la muchacha. La presentó. Ella, aterrada, pálida,
sonreía absurdamente. Sin duda imaginaba algo malo, perentorio,
fatal. Sus ojos, temblorosos, se anidaron por un instante en la
mirada vasta y profunda de Monsalvat. Pero la voz del dueño los
arrancó de aquel refugio.
—Este señor,—profirió el patotero—me cree un asesino. Más o
menos. Bueno... Decíle si estás contenta o no con tu suerte. Decíle
la verdad. ¿De qué tenés miedo?
Monsalvat miraba a Nacha con encanto y tristeza. Pero apenas la
veía. Sus ojos, empapados de una piedad dolorosa, habían rehecho
la verdadera imagen de aquella muchacha de la vida. Ella no se
atrevía a mirarle y levantaba la vista hacia su hombre. A Monsalvat
parecía no interesarle aquel interrogatorio, cuyo resultado adivinaba.
—Respondé: ¿no estás contenta?
—Sí, sí estoy contenta—dijo ella, con voz apenas perceptible.
—¿Y por qué? Porque vivís tranquila, tenés casa... ¿No es así?
Nacha comprendió que era necesario hablar, declararse satisfecha.
De otro modo, el enojo del patotero contra el intruso rebotaría hacia
ella. Y se soltó a hablar, a borbollones, casi incoherente.
—Sí, estoy contenta. ¿Cómo no estarlo? Tengo una casa, vivo feliz...
Ya no ando de aquí para allá, rodando, como antes. En mi casa hay
lujo, gasto la plata que quiero. Tengo dos sirvientas. ¿Qué más
puedo decir? Ahora sé lo que es la tranquilidad, después de tanto
sufrir... Después de...
Y continuó, ya lanzada. Hablaba como en el vacío, sin dirigirse a
nadie. Hablaba para ella misma, para distraerse con sus propias
palabras. No para Monsalvat. Ella deseaba que Monsalvat no la
oyese. Parecía una sonámbula. ¡Era un hablar, un hablar...!
Monsalvat no la escuchaba. La miraba, y nada más. Bastábale sentir
a su lado toda su dulzura. Bastábale la suavidad, el temblor de sus
palabras y la melancolía de sus ojos. El tango les daba a las palabras
y a los ojos una ardiente tristeza. El bandoneón los ennegrecía con
el humo de su desoladora amargura. Y hasta el dueño de Nacha
parecía sensible a la influencia letárgica y adormecedora de aquella
música.
—Bueno, basta—interrumpió el patotero.—¿Ha visto? ¿Se ha
convencido? ¿No le dije que estaba haciendo un papelón?
Luego, echándose hacia atrás, soltó una carcajada llena de altanería.
Había cesado el tango y su influjo sobre las almas y las cosas. Había
recobrado el sujeto su personalidad. Dirigiéndose a su querida, la
empujó hacia sus compañeros. Sentados a la mesa, ellos esperaban
la conclusión de la escena.
—Y ahora, váyase de aquí en seguida. Pero antes, quiero decirle
quién soy. Le interesa, amigo. No se vaya. Podemos otra vez
encontrarnos y... Míreme bien...
El individuo se puso serio. Su mano derecha apartó el smoking y
buscó la cintura. Luego dijo, en voz baja y grave:
—Soy Dalmacio Arnedo, el Pampa Arnedo, como me dicen.
Monsalvat se estremeció. Sus facciones se convulsionaron.
Instintivamente alzó una mano, pero en seguida la dejó caer. Los
patoteros se arrojaron sobre él. Al mismo tiempo, alguien gritó:
—¡La policía!
El cabaret hirvió en agitados remolinos. Luego, fué una calma
inquieta, una paz que se improvisó para los ojos turbios de la
autoridad.
Desde un principio, se había formado entre los espectadores un
partido en favor de Monsalvat. Su actitud frente a la patota le dió
enormes simpatías. Algunos comprendieron la fuerza de este
hombre. La situación de la muchacha infundió lástima, si bien nadie
se sentía con ánimos para salir en su defensa. Dos o tres personas,
entre las más apiadadas o prudentes, habían llamado a la policía,
para que se instalara allí, en previsión de un escándalo.
Los patoteros, al grito de alarma, volvieron súbitamente a sus
lugares. Monsalvat, mirando al individuo, masculló un "¡canalla!".
Arnedo, desde su mesa, le contemplaba con sonrisa maligna,
mientras sus amigos, sentados, hacían ruidos con la boca y se
retorcían y brincaban, simulando una desaforada alegría. Nacha
miraba a su defensor con lástima. ¿Quién era ese hombre? ¿Qué
quería de ella? La policía comprobó, en rápida ojeada, que el orden
"no había sido alterado". Y se fué en seguida, solemne de prudencia,
satisfecha de aquel inseguro remiendo de paz que su presencia
había hilvanado en el cabaret. Monsalvat volvió a su mesa y pagó el
gasto. El Pato comenzó a cantar, con la música de una zarzuelita en
boga:
—¡Ya se va, ya se va, ya se va!
Los demás patoteros, y aun algunos neutrales, corearon. Monsalvat,
al levantarse, vió que la muchacha también cantaba y reía. Se
detuvo un instante como para arrojarle una mirada de reproche. Dos
lágrimas asomaron a sus ojos. Y silenciosamente, sin apresurarse,
salió del cabaret, mientras el llorón volvía a su primer estribillo:
—¡Ay, ay, ay! ¡Ay, ay, ay!
 II

Fernando Monsalvat encontrábase en una encrucijada de su vida.

Hasta entonces—y tenía cerca de cuarenta años—, nunca vaciló en
su camino. Pero ahora parecía que todo hubiese cambiado en él y
que una transformación fundamental estaba operándose en su alma.
Había vivido toda su vida sin juzgar el mundo de que formaba parte.
Había sido un hombre más o menos feliz. Pero desde hacía algunos
meses miraba todas las cosas con espíritu crítico y se consideraba
desgraciado.
Era hijo natural. Su padre perteneció a una familia aristocrática y
poseyó muchos millones. Había muerto repentinamente, sin testar,
cinco años atrás. Su madre, hija de unos franceses que tenían un
pequeño comercio, había sido seducida a los diez y ocho años. Su
padre, como el chico era inteligente y distinguido, y su descendencia
legítima formábanla sólo mujeres, le dió una buena educación. A fin
de que no viviese con la madre, mujer inconsciente e ignorante,
llena de ideas absurdas, internó a su hijo en un colegio. Sólo en las
vacaciones veía el niño a la madre. Fernando recordaba las visitas de
su padre a la casa, las discusiones con su madre, los consejos que a
él le daba. Una vez le llevó a una de sus estancias cerca de Buenos
Aires, una propiedad inmensa como un estado, con bosques
maravillosos, con una casa que era un magnífico palacio, y con
galpones repletos de toros gigantescos y lanudas ovejas. Pero más
que todo, recordaba cómo su padre le llevaba casi a escondidas, y
cómo no había contestado claramente cuando un amigo, en el tren,
preguntó quién era el muchachito. Más tarde, en el colegio, aprendió
su situación por algunos chicos que conocían a la familia legítima de
su padre. Desde entonces comenzaron sus primeras timideces y
vergüenzas a causa de su condición, y esto influyó en su vida
poderosamente.
Cuando salió del colegio entró a estudiar Derecho. Fué un alumno
excelente, y desde antes de recibirse ingresó en un famoso estudio
de abogado. Socio más tarde del abogado, ganó dinero y algún
prestigio. Pero por una cuestión de conciencia abandonó el estudio y
se fué a Europa, donde permaneció dos años. Al regreso, teniendo
treinta y dos y no deseando continuar en la profesión, obtuvo un
consulado para una ciudad de Italia. Hacía seis meses que había
vuelto, después de siete años de ausencia, ahora para quedarse en
el país.
La madre de Fernando vivía aún. Enferma y envejecida, parecía
achacosa, pero no pasaba de los sesenta años. Su hijo la veía poco.
Ocupaba ella, en la compañía de una sirvienta mulata, casi una
negra, un departamento bastante pobre, en una casa de varios
pisos, frente al parque Lezama. Fernando tenía también una
hermana.
Fernando Monsalvat había vivido como cualquier hombre decente de
su condición social. Trabajó en el estudio de abogado con gran
tenacidad, y como cónsul se desempeñó notablemente. Desde niño
tuvo afición a los libros. Se había dedicado a la sociología; de
cuando en cuando publicaba algún artículo. Sus opiniones eran
tenidas en cuenta y se las comentaba en ciertos círculos
intelectuales. Hombre mundano, a pesar de su timidez y su
desconfianza, frecuentó los clubs en Buenos Aires, los grandes
teatros, las carreras. A bailes asistió poco, pues, sin duda por ser
hijo natural, no le invitaban en todas partes. Cuando estudiante vivió
de una buena pensión que le pasaba su padre. Ahora, a la vuelta de
Europa, se encontraba sin más recursos que los provenientes de una
propiedad que su padre le regalara al recibirse de abogado y que le
rentaba trescientos pesos mensuales.
Hasta qué punto la condición de bastardo había influido en su
temperamento y en su orientación en la vida, era algo increíble.
Cierto que, siendo estudiante en la Facultad, algunos muchachos
distinguidos no quisieron ser sus amigos, y que más tarde, en
sociedad, fué desdeñado en varias ocasiones. Pero él exageraba
hasta el absurdo la realidad de estos desprecios. Si alguien no le
saludaba en la calle, al pasar, atribuía el hecho al propósito de
ofenderle. Si en un baile una muchacha solicitada por él rehusábase
a darle el brazo, alegando tener excesivos compromisos, Monsalvat
pensaba: "No quiere mostrarse conmigo porque sabe mi origen".
Cuando en los exámenes le clasificaban con una nota inferior a la
que creía merecer, no dudaba de que la culpa la tenía su condición
de bastardo. Y así en todo. Jamás pasó un día que no tuviese una
preocupación de esta índole. No se irritaba contra los demás; al
contrario, le parecía natural que, dadas las ideas dominantes, se le
tuviese en menos. Pero se sentía humillado, disminuido.
Todas estas cosas le obligaron a aislarse y contribuyeron a afirmar
su vocación por el estudio. No tuvo nunca verdaderas amistades. Se
consideró solo en la vida; solo espiritualmente, pues relaciones le
sobraban. Era un hombre correcto, y, no obstante su frialdad
aparente, amable y simpático, aunque con frecuencia se manifestase
un poco huraño.
Lo único que varias veces le hizo creerse menos solo, fueron sus
aventuras con mujeres. Era en cuanto a mujeres un hombre raro. Al
revés de todos los jóvenes de su tiempo, apenas conocía a las
muchachas "de la vida". No había entrado sino ocasionalmente en
una casa pública. Pero había tenido varias amantes: entre ellas
alguna dama de la sociedad distinguida. Tenía el don de agradar a
las mujeres: una voz acariciadora, unos ojos profundos. Sabía
despertar la compasión; y como nadie ignora, es el deseo de
compadecer lo que más pierde a las mujeres. Pero Monsalvat no
siempre las buscó: algunas le buscaron a él. En dos o tres casos
creyó haberse enamorado; ¡ilusión, y nada más! Tampoco ellas le
quisieron apasionadamente: todo era instinto, sensación; modesto
amorío, cuando mucho.
En todas las demás cosas de la vida pudo considerársele un modelo
y una excepción. Muy caballeresco, muy sencillo, sin antipatías para
nadie, bondadoso y servicial, lleno de delicadezas. Jamás debió un
centavo, ni aduló a quienes podían darle algo, ni tuvo deslealtades
para con sus amigos ni devolvió mal por mal, ni se condujo en caso
alguno en forma que no fuese clara y sincera.
Fué, pues, Fernando Monsalvat un hombre útil y honesto. Sin
embargo, desde hacía algunos meses consideraba que había vivido
mal. Creía haber llevado una existencia egoísta, mediocre, estéril
para el bien. Se avergonzaba sobre todo de sus artículos sobre
cuestiones morales y sociales, pensados con espíritu de casta, con el
criterio individualista, insincero y convencional, que dominaba en la
Facultad y obtenía los aplausos de los políticos hábiles y cultos. Se
despreciaba por haber seguido la corriente, por haber vivido y
pensado como los hombres de su mundo. ¿Qué gran obra de bien
había realizado? Vivió para sí, trabajó para ganar dinero, escribió
para obtener prestigio y alabanzas. Vivía ahora atormentado
secretamente, disgustado de sí mismo, de la sociedad y hasta de la
vida.
¿Cómo le había sobrevenido semejante crisis de conciencia? En los
espíritus nobles y generosos tales situaciones son naturales: hay
momentos en la vida en que hacen examen de su conducta, y
entonces abominan del pasado. Pero ¿cuántos cambian de rumbo?
Generalmente todo queda en el fondo del alma; y descontentos,
pesimistas, tristes, continúan por el mismo camino, viviendo aquella
misma vida que odian. Monsalvat sentíase acometido por la
necesidad de un ideal y de una obra que rescatase sus treinta y
nueve años inútiles. ¿Iba a seguir como antes, su existencia de
egoísmo y de complicidad con el mundo?
Pero Monsalvat había llegado a su tragedia interior no naturalmente
sino por motivos poderosos.
Dos pequeños hechos de igual índole, ocurridos en París,
ennegrecieron el ánimo de Monsalvat. Convencido de que no debía
permanecer en su soledad, quiso casarse, para lo cual intentó
pretender a una aristocrática muchacha con la que hiciera gran
amistad en Roma. Pero apenas la familia y aún la propia interesada
vieron las intenciones de Monsalvat, se esfumó toda la simpatía;
alguien llegó a insinuarle, tal vez por encargo de la muchacha o de
sus padres, que él no podía pretenderla. Luego, en el hotel donde se
alojaba, conoció a otra compatriota. Amistad, primero; un poco de
flirt, después. Se interesó Monsalvat y hasta creyó haberse
enamorado. Definió sus pretensiones, y fué tratado como un
insolente, como si con su actitud intentara humillar a la preclara
casta. Monsalvat, ante situaciones de esta especie, no sufría por sí
mismo, no se avergonzaba de ser lo que era: sufría por la injusticia
de los demás.
Monsalvat sentía un profundo disgusto de que fuese su propio
sufrimiento lo que le hubiese llevado a abrir los ojos con respecto al
mundo de que formaba parte y a su impávida injusticia. Motivos
egoístas, llamaba él a sus razones. Pero en realidad no lo eran, pues
a él le preocupaba su caso por lo que tenía de general y de humano.
Por otra parte, nuestras razones egoístas influyen casi siempre en la
realización de las grandes cosas.
Unos seis meses antes de aquella noche del cabaret, Fernando
Monsalvat, con su dolor y su desilusión a cuestas, había llegado a
Buenos Aires. Al principio se asombraba de juzgar a las gentes y a
las instituciones con tan gran rigor. ¿Por qué todo lo veía malo?
¿Pesimismo? Pero luego comprendió que sus juicios severos eran la
simple obra del espíritu crítico que había surgido en él. Hasta
entonces aceptó las cosas como inmutables. La vida le había
ofrecido cuantos goces quiso. Tuvo dinero, fué amado, alcanzó algún
prestigio. Nada le importaron ni las imperfecciones, ni las iniquidades
del mundo. Demasiado lleno de sus libros, de su vida, de sus
placeres, no advirtió los trágicos lamentos subterráneos de los que
gemían allá abajo. Vivía en un mundo feliz, en una sociedad sin
angustias. Pero ahora se le estrujaba el corazón y, en la soledad de
sus días, clamaba inquietamente por tantos años estériles.
Una tarde, la casualidad le hizo comprender hasta qué punto había
sido egoísta su vida. El automóvil en que iba se había detenido al
doblar una esquina, en la plaza Lavalle. Una multitud avanzaba
cantando. Era domingo. Todas las puertas cerradas. La canción
avanzaba por en medio de la calle, y también por entre los árboles.
Avanzaba irritada, exasperada, tumultuosa. Monsalvat no veía sino
las mil bocas frenéticas de aquella canción que le intimidaba y a la
vez le atraía, y una bandera roja que parecía el alma de aquella
canción. Bajó del automóvil. Y en esto, un clarín brutal desinfló la
multitud, como el pinchazo de un puñal en una odre. Sonaron tiros.
Los sables policiales, ciegos, enloquecidos de sangre, golpeaban las
bocas proletarias que contestaban rabiosamente, dolorosamente,
cantando su canción. Pero la violencia de arriba fué más fuerte que
la ingenua violencia de la canción. La multitud se derramó por las
calles próximas, se deshizo. Los sables buscaron ansiosamente a los
que se escondían en los huecos de las puertas cerradas. Los ojos de
los que huían volvíanse enormes de espanto. Allí, en la calle,
quedaba el crimen, solo, brutal, despótico, monstruoso. Nadie
recogía los muertos ni los heridos. Las casas de los bienhallados, de
las familias de abolengo, de los burgueses y comerciantes
permanecían cerradas, mudas. Monsalvat, enfermo de indignación,
con el alma hecha un clamor, creyó advertir en aquello una
complicidad horrible.
Su transformación, sin embargo, era puramente interior. Algo había
cambiado su vida: no frecuentaba el club, no iba a fiestas, no veía a
la mayor parte de sus antiguos amigos. Pero en los seis meses, ¿qué
había hecho de positivo? ¿Había descubierto, acaso, su verdadero
camino? Estas preguntas le atormentaban sin cesar, y le sumían en
largas horas de meditación.
Sólo había resuelto no trabajar como abogado. ¿Para qué necesitaba
ganar tanto dinero? ¿Para guardarlo? ¿Para gastarlo en vanidades?
Pensó que pudiera darlo. Pero, ¿a quién y cómo? Un amigo, abogado
ilustre, que estimaba el saber jurídico de Monsalvat, quiso asociarle
a su estudio; pero él no aceptó. Prefería un empleo, y lo pidió al
Ministerio de Relaciones Exteriores, donde su preparación, adquirida
en siete años de consulado, sería muy útil, y donde se le apreciaba
grandemente. El Ministro le prometió un empleo y Monsalvat lo
esperaba para aquellos días.
Mientras tanto, vagaba por las calles, triste y distraído. Huyendo de
sus relaciones y de las fiestas del Centenario, gustaba recorrer los
barrios pobres, los arrabales. A veces, en algunos festejos populares,
se metió entre la multitud. Oyó las conversaciones de la gente y
habló con varios hombres y mujeres. Se sorprendía de encontrarse
tan bien entre ellos. Se sentía pueblo. Y era en efecto pueblo, por su
madre, hija de obreros que llegaron a pequeños comerciantes. Un
día fué a ver aquella casa,—un pequeño conventillo—de cuya renta
vivía. Se indignó contra el encargado. Aquello era un antro inmundo
e inhabitable donde se hacinaban unas quince familias de
desgraciados trabajadores. ¿Cómo nunca se le ocurrió verlo?
preguntábase, disgustado contra sí mismo. Pero luego recordó que
lo había visitado varias veces, antes de su segundo viaje a Europa.
Sólo que entonces aquella miseria le parecía cosa natural y hasta
excelente. ¿No eran acaso situaciones como aquéllas las que
despertaban las ambiciones de los obreros y los llevaban a trabajar
con heroísmo y a enriquecerse por la fuerza de su voluntad? ¿No
eran esas situaciones el primer escalón de la fortuna, en este país
privilegiado "donde no se hacía rico sólo el que no quería serlo?"
Monsalvat recordaba avergonzado sus antiguas ideas del liberalismo
económico, de ese inicuo sistema que parecía inventado por los ricos
para seguir explotando a los pobres. ¡Ah, sus magníficos artículos de
otros años, cuánto daría por no haberlos escrito! Tuvo intenciones
de hipotecar el conventillo con el propósito de transformarlo en una
casa higiénica.
En sociedad, y sobre todo entre los hombres, el estado de ánimo de
Monsalvat fué tomado a la burla Él apenas hablaba de sus ideas y
sus preocupaciones, pero su aislamiento y algún artículo reciente en
que explotara su sentimiento de protesta, indignando a las gentes
distinguidas que le aplaudieron antes, revelaban algo raro en él, que
la sociedad comentaba encarnizadamente. Unos decían que estaba