diff --git a/Kandi.pdf b/Kandi.pdf
index 8c26754b2706e055c1ed9268df466b2721a8f145..9eda4ee7669d08ec9b9b8b9f64c52a787a3e7d58 100644
Binary files a/Kandi.pdf and b/Kandi.pdf differ
diff --git a/Kandi.synctex.gz b/Kandi.synctex.gz
index 52c4cdd272aac0b8e54defa53832c064b08591a5..f312ea141e71cb34ffc0370ee740a942515eff00 100644
Binary files a/Kandi.synctex.gz and b/Kandi.synctex.gz differ
diff --git a/Kandi.tex b/Kandi.tex
index 94a18067fcc3d933417cc10e9d32097d387e93eb..4b597c1c3a5eb59745775b37747ac76119441434 100644
--- a/Kandi.tex
+++ b/Kandi.tex
@@ -19,8 +19,9 @@
 
 \usepackage{graphicx} % kuvat
 \graphicspath{ {./figures/} }
+\usepackage{subcaption} % alitekstit
 
-\usepackage{mdframed}
+\usepackage{mdframed} % määritelmien raamit
 
 \newcommand\independent{\protect\mathpalette{\protect\independenT}{\perp}} %riippumattomuus
 \def\independenT#1#2{\mathrel{\rlap{$#1#2$}\mkern2mu{#1#2}}}
@@ -59,7 +60,7 @@
 \newtheorem{kor}[equation]{Korollaari}
 
 \theoremstyle{definition}
-\newmdtheoremenv{maar}[equation]{Määritelmä}
+\newmdtheoremenv[linewidth=1pt]{maar}[equation]{Määritelmä}
 \newtheorem{konj}[equation]{Konjektuuri}
 \newtheorem{esim}[equation]{Esimerkki}
 
@@ -138,49 +139,57 @@ Viimeisessä kappaleessa \emph{\nameref{diskussio}} esitän mallien ja tutkielma
 
 \chapter{Johdanto}\label{johd}
 
-Tässä kappaleessa esittelen tutkielman taustaa ja yleisellä tasolla yhdysvaltalaisen oikeuslaitoksen takuukäsittelyprosessin. Sen jälkeen paneudun hieman vangitsemispäätöksen yhteiskunnalliseen merkitykseen: minkä takia ihmisiä vangitaan ja mitä perusteita on vangitsemattajättämispäätökselle. Pyrin luvun aikana myös hieman selvittämään takuujärjestelmän käyttöä Suomessa ja kappaleen lopussa pohdin hieman kausaalipäättelyä paradigman muutoksena tilastotieteen kentällä. Jätän kuitenkin tarvittavien merkintöjen esittämisen kappaleeseen \emph{\nameref{kausaalimerk}} ja mallin esittelyn \emph{\nameref{kausaalimalli}}-lukuun. 
+Tässä kappaleessa esittelen tutkielman taustaa ja yhdysvaltalaisen oikeuslaitoksen takuukäsittelyprosessin yleisellä tasolla. Sen jälkeen paneudun hieman vangitsemispäätöksen yhteiskunnalliseen merkitykseen: minkä takia ihmisiä vangitaan ja mitä perusteita on vangitsemattajättämispäätökselle. Pyrin luvun aikana myös hieman selvittämään takuujärjestelmän käyttöä Suomessa ja kappaleen lopussa pohdin hieman kausaalipäättelyä paradigman muutoksena tilastotieteen kentällä. Jätän kuitenkin tarvittavien merkintöjen esittämisen kappaleeseen \emph{\nameref{kausaalimerk}} ja mallin esittelyn \emph{\nameref{kausaalimalli}}-lukuun. 
 
 % https://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/76171/omkm_2009_2.pdf
 
+%%%%%%%%%
+
 \section{Takuukäsittely prosessina}\label{pros}
 
 % Johdanto, yhdysvallat, Suomi, kritiikki
 
 Yhdysvalloissa, kuten monissa muissa anglosaksisissa maissa, on käytössä järjestelmä, jota nimitetään takuu- tai vakuusjärjestelmäksi. Takuujärjestelmä on epäillyn vaihtoehto tutkintavankeudelle hänen odottaessaan oikeudenkäyntiä ja Yhdysvalloissa oikeus takuuseen periytyy maan perustamisen ajalta \cite{okm, zaniewski14}. Suomen oikeus- ja sisäasiainministeriön alaisen esitutkinta- ja pakkokeinotoimikunnan mukaan takuujärjestelmiä on kolmenlaisia: kahdessa niistä epäilty maksaa itse käteisellä vakuuden tai asettaa omaisuuttaan vakuudeksi ja kolmannessa jokin ulkopuolinen taho ''menee takuuseen epäillyn velvollisuuksien täyttämisestä'' \cite{okm}.
 
-Yhdysvalloissa epäillyn pidätyksen jälkeen hänet viedään paikallisen oikeusviranomaisen järjestämään takuukuulemiseen (bail hearing) \cite{zaniewski14}. Kuulemisessa päätetään takuun myöntämisestä, eli voidaanko epäilty vapauttaa, vai halutaanko hänet asettaa vankeuteen ennen oikeudenkäyntiä. Kuulemisessa päätetään myös mahdollisen takuun määrästä sekä vapauttamisen ehdoista \cite{zaniewski14}. Takuu voidaan suorittaa taattuna tai takaamattomana maksusitoumuksena tai maksaa suoraan (cash) -- erityistapauksissa epäilty voidaan vapauttaa myös pelkällä kirjallisella sitoumuksella (release on personal recognizance (ROR)) \cite{zaniewski14}.
+Yhdysvalloissa epäillyn pidätyksen jälkeen hänet viedään paikallisen oikeusviranomaisen järjestämään takuukuulemiseen (bail hearing) \cite{zaniewski14}. Kuulemisessa päätetään takuun myöntämisestä, eli voidaanko epäilty vapauttaa, vai halutaanko hänet asettaa vankeuteen ennen oikeudenkäyntiä. Kuulemisessa päätetään myös mahdollisen takuun määrästä sekä vapauttamisen ehdoista \cite{zaniewski14}. Takuu voidaan suorittaa taattuna tai takaamattomana maksusitoumuksena tai maksaa suoraan -- erityistapauksissa epäilty voidaan vapauttaa myös pelkällä kirjallisella sitoumuksella (release on personal recognizance (ROR)) \cite{zaniewski14}.
 
 % Tilastoja?
 
+%%%%%%%%%
+
 \section{Yhteiskunnallinen merkitys ja kritiikki}\label{ykmerk}
 
-Zaniewski toteaa lyhyessä kirjallisuuskatsauksessaan, että takuujärjestelmän vuoden 1982 uusitus ei onnistunut laskemaan tarpeettomia vangitsemisia -- päinvastoin niiden suhteellinen määrä kaksinkertaistui 22\%:sta 49\%:iin vuodesta 1984 vuoteen 2007. Nykyisellään sikäläinen oikeusjärjestelmä suosii suoraan rahalla maksettavia tai taatuilla maksusitoumuksilla hoidettuja takuita, mikä asettaa huonossa taloustilanteessa olevat epäillyt eri tilanteeseen. \cite{zaniewski14}
+Zaniewski toteaa lyhyessä kirjallisuuskatsauksessaan, että takuujärjestelmän vuoden 1982 uudistus ei onnistunut laskemaan tarpeettomia vangitsemisia -- päinvastoin niiden suhteellinen määrä kaksinkertaistui 22\%:sta 49\%:iin vuodesta 1984 vuoteen 2007. Nykyisellään sikäläinen oikeusjärjestelmä suosii suoraan rahalla maksettavia tai taatuilla maksusitoumuksilla hoidettuja takuita, mikä asettaa huonossa taloustilanteessa olevat epäillyt eri tilanteeseen. \cite{zaniewski14}
 
-Suomessa vakuusjärjestelmää ei ole käytetty, vaikka yllä mainittu toimikunta toteaakin sen sisältyvän tullilain 44 §:ään. Kyseisessä pykälässä ''- - säädetään mahdollisuudesta asettaa pidätetyn tai vangitun vapaaksi päästämi[s]en ehdoksi, että hän asettaa vakuuden, jonka harkitaan takaavan hänen saapumisensa oikeudenkäyntiin ja ehkä tuomittavien seuraamusten suorittamisen''. Kuten he tarkentavat, lisäksi usein edellytetään, että epäilty ei asu Suomessa, ja epäillään hänen pakenevan maasta ennen oikeudenkäyntiä tai rangaistusta \cite{okm}. Sekä yhdysvaltalaiselle että suomalaiselle järjestelmälle on yhteistä, että takuu tuomitaan menetettäväksi valtiolle, jos vapauden ehtoja rikotaan.
+Suomessa vakuusjärjestelmää ei ole käytetty, vaikka aiemmin mainittu toimikunta toteaakin sen sisältyvän tullilain 44 §:ään. Kyseisessä pykälässä ''- - säädetään mahdollisuudesta asettaa pidätetyn tai vangitun vapaaksi päästämi[s]en ehdoksi, että hän asettaa vakuuden, jonka harkitaan takaavan hänen saapumisensa oikeudenkäyntiin ja ehkä tuomittavien seuraamusten suorittamisen''. Kuten he tarkentavat, lisäksi usein edellytetään, että epäilty ei asu Suomessa, ja epäillään hänen pakenevan maasta ennen oikeudenkäyntiä tai rangaistusta \cite{okm}. Sekä yhdysvaltalaiselle että suomalaiselle järjestelmälle on yhteistä, että takuu tuomitaan menetettäväksi valtiolle, jos vapauden ehtoja rikotaan.
 
-Kritiikkiä on esitetty molemmissa maissa osaltaan samoihin asioihin. Suomessa pykälää ei ole sovellettu, koska luultavasti sen tulkintaohjeet ovat niin niukat, kuten myös sääntely \cite{okm}. Yhdistävänä kritiikkinä sekä Zaniewski että esitutkinta- ja pakkokeinotoimikunta mainitsevat muun muassa sen, kuinka takuumaksujen toimeenpano vaikuttaa tai Suomen tapauksessa vaikuttaisi pienituloisten taloustilanteeseen \cite{zaniewski14, okm}. Suomalainen toimikunta esittää lisäksi monia muitakin ongelmakohtia, sikäli takuujärjestelmä haluttaisiin ottaa Suomessa käyttöön, esimerkiksi he toteavat, että vakuusmaksujen maksamiseen tulisi todennäköisesti liittymään ''epätoivottavia lieveilmiöitä'' \cite{okm}. Tähän ongelmaan on Yhdysvalloissa jo osittain reagoitukin, sillä esimerkiksi Californian osavaltio päätti viime vuonna poistaa takuumaksut käytöstä \cite{cnn}.
+Kritiikkiä on esitetty molemmissa maissa osaltaan samoihin asioihin. Suomessa pykälää ei ole sovellettu, koska luultavasti sen tulkintaohjeet ovat niin niukat, kuten myös sääntely \cite{okm}. Yhdistävänä kritiikkinä sekä Zaniewski että esitutkinta- ja pakkokeinotoimikunta mainitsevat muun muassa sen, kuinka takuumaksujen toimeenpano vaikuttaa tai Suomen tapauksessa vaikuttaisi pienituloisten taloustilanteeseen \cite{zaniewski14, okm}. Suomalainen toimikunta esittää lisäksi monia muitakin ongelmakohtia, sikäli takuujärjestelmä haluttaisiin ottaa Suomessa käyttöön, esimerkkinä he toteavat, että vakuusmaksujen maksamiseen tulisi todennäköisesti liittymään ''epätoivottavia lieveilmiöitä'' \cite{okm}. Tähän ongelmaan on Yhdysvalloissa jo osittain reagoitukin, sillä esimerkiksi Californian osavaltio päätti viime vuonna poistaa takuumaksut käytöstä \cite{cnn}.
 
 %Kritiikkiä on esitetty niin itse takuun rahallisesta määrästä (lähde?) kuin perusteista (propublica). 
 
 %Ongelmana tässä on se, millä perustein tuomarit tekevät päätöksen bailille pääsemisestä on käynyt ilmi (linkkaa propublica), että vaikka he käyttävät yhdysvaltalaisen yhtiön North
 
+%%%%%%%%%
+
 \section{''Kausaalipäättely uutena paradigmana''}\label{para}
 
 % miksi halutaan siirtyä (frekventistisen/bayes-ppäättelyn ongelmat), edut, esiintyminen, erot, käyttö
-Kuten Pearl ja Mackenzie esittävät kirjassaan Miksi, ihmisillä on luontainen kausaalisen päättelyn taito \cite{miksi}. Tavalliset tilastollisen päättelyn menetelmät eivät tarjoa tapaa määritellä kausaalista yhteyttä: aineistosta voidaan päätellä erilaisia \emph{korrelaatioita}, mutta päättely \emph{B johtuu A:sta} vaatii uudenlaista näkökulmaa. Käytännön tutkimuksessa tarve on olemassa erityisesti lääketieteen alalla, jossa halutaan tietää \emph{johtuuko} paraneminen annetusta suoraan annetusta hoidosta vai vaikuttaako lääke johonkin mittaamattomaan muuttujaan, joka on suorassa syy-seuraussuhteessa paranemisen kanssa. \textbf{Lisää lähteet ja tarkista!}
+Kuten Pearl ja Mackenzie esittävät kirjassaan Miksi, ihmisillä on luontainen kausaalisen päättelyn taito \cite{miksi}. Tavalliset tilastollisen päättelyn menetelmät eivät tarjoa tapaa määritellä kausaalista yhteyttä: aineistosta voidaan päätellä erilaisia \emph{korrelaatioita}, mutta päättely \emph{A johtuu B:stä} vaatii uudenlaista lähestymistapaa. Käytännön tutkimuksessa kausaaliset yhteydet kiinnostavat erityisesti lääketieteen alalla. Kuten Kalisch toteaa, aiemmin päättely on perustunut jonkin biomarkkerin ja taudin samanaikaiseen ilmaantumiseen. Jos markkeri ja tauti ilmaantuvat samanaikaisesti, voidaanko markkerin arvoa muuttamalla hoitaa tautia? \cite{kalisch14}
 
-Syy-seuraussuhteen vahvuuden matemaattinen määrittely vaatii uutta lähestymistä myös todennäköisyyslaskennan merkintöihin. Pearl käyttää alkuperäisessä, englanninkielisessä kirjallisuudessa merkintää do ilmaisemaan interventiota. Merkinnällä halutaan erottaa tavanomainen ehdollinen todennäköisyys $\pr(Y|X=x)$ interventiosta, jossa asetamme muuttujan $X$ arvoon $x$: $\pr(Y|\text{do}(X=x)$. Kimmo Pietiläinen käyttää kirjan suomennoksessa käännöstä \emph{tee}, mutta seuraan tässä tutkielmassa Pearlin merkintöjä, ellen erikseen muuta mainitse \cite{miksi}. Esittelen käyttämäni merkinnät tarkemmin kappaleessa  \ref{kausaalimerk}.
+Syy-seuraussuhteen vahvuuden matemaattinen määrittely vaatii uutta lähestymistä myös todennäköisyyslaskennan merkintöihin. Pearl käyttää alkuperäisessä, englanninkielisessä kirjallisuudessa merkintää 'do' ilmaisemaan interventiota. Merkinnällä halutaan erottaa tavanomainen ehdollinen todennäköisyys $\pr(Y|X=x)$ interventiosta, jossa pakotamme muuttujan $X$ arvoon $x$: $\pr(Y|\text{do}(X=x))$. Kimmo Pietiläinen käyttää kirjan suomennoksessa do-operaattorista käännöstä \emph{tee}, mutta seuraan tässä tutkielmassa Pearlin merkintöjä, ellen erikseen muuta mainitse \cite{miksi}. Esittelen käyttämäni merkinnät tarkemmin kappaleessa  \ref{kausaalimerk}.
 
 
-* Päättely nojaa vahvasti / tarvitsee mallin, joka ilmaistaan (usein/aina) verkkona, josta voidaan suoraan lukea muuuttujien väliset riippuvuussuhteet.
-* Usein funktionaalista muotoa  ei määritellä,, lisää tähän ne nuoliversiot yhtälöistä havainnollistamaan, että siirrytään yhtäsuuruudesta määräytymiseen \cite{kalisch14}
 * Esimerkkejä Miksi-kirjasta väärin määritellyistä malleista? Esimerkkejä aloista, joila jo käytetty, oleellisimmat pointit historiasta
 
+%%%%%%%%%
+
 \section{Valikoitumisharha}\label{sl}
+
 % aiempaa tutkimusta, miten voidaan muissa tutkimuksissa tassoittaa -> Tässä tutkimkssa 
 
-aineistossa on valikoitumisharha, mistä Lakkaraju käyttää termiä\emph{''selective labels''} \cite{lakkaraju17}. aineiston harha johtuu luonnollisesti siitä, että rikoksen voi uusia vain, jos tuomari päättää vapauttaa takuita vastaan. Suorat päättelytavat -- \emph{counterfactual inference} -- ovat ongelmallisia siinä mielessä, että jne jne.
+Tässä tutkielmassa yritän määrittää rakenteen, jonka avulla voidaan tehdä ennusteita aineston harhaisuudesta huolimatta. Meidän tapauksessamme harha syntyy tuomarien päätöksistä -- jos tuomari päättää evätä epäillyltä takuut, emme voi tehdä havaintoja epäillyn rikoksen uusinnastaan. Tällöin voidaan puhua ei-satunnaisesta puuttuneisuudesta, koska on selvää että tulosten puute ei ole minkäänlaisen satunnaisprosessin tulos: vaarallisimmat rikolliset halutaan ottaa talteen ja vaarattomimmat päästää pois \cite{laaksonen13}.
 
+Lakkaraju käyttää termiä harhasta \emph{''selective labels''} \cite{lakkaraju17}. 
 
 %%%%%%%%%
 %%%%%%%%%
@@ -190,28 +199,35 @@ aineistossa on valikoitumisharha, mistä Lakkaraju käyttää termiä\emph{''sel
 
 Tässä luvussa kuvaillaan käytetyt aineistot ja niiden ominaispiirteet.
 
+%%%%%%%%%
+
 \section{COMPAS}\label{compas}
 
-aineistoa broward Countysta
+COMPAS-aineisto (Correctional Offender Management Profiling for Alternative Sanctions) on alun perin ProPublica-julkaisun koostama aineisto yhteensä 18 610 amerikkalaisesta. Aineistossa on muun muassa heidän demografiset tiedot, kuten ikä, sukupuoli ja rotu, ja rikoshistoriaan liittyvät tiedot. Oikeammin COMPAS viittaa Northpointe-yhtiön työkaluun, joka antaa arvion epäillyn rikoksenuusintariskistä. Arvio perustuu epäillyn vastauksiin kyselyyn, jossa tiedustellaan hänen taustoistaan, kuten lähipiirin huumeidenkäytöstä ja epäillyn taipumuksesta väkivaltaisuuteen. ProPublica kokosi aineiston alun perin paljastaakseen arvion tuottavan algoritmin mustia syrjivän luonteen. ProPublican analyysi osoitti, että mustat saivat järjestelmällisesti korkeamman riskiarvion kuin valkoihoiset. \cite{propublica16}
+
+ProPublica esittää artikkelinsa metodologiaosiossa, kuinka he ovat päätyneet lopulliseen aineistoon, joka käsittää tiedot 6172 henkilöstä.  Pääpiirteissään he ovat siistineet aineistoa siten, että se yhdistää oikeat henkilöt oikeisiin pisteytyksiin ja oikeisiin uusintatuomioihin. Joitakin johdettuja mutujia luotiin, kuten tekstuaalinen kuvaus desiilipisteytyksestä scoretext joka ryhmittää etc etc.
+
 \begin{table}[h!]
 \centering
 \begin{tabular}{lrrrrrrrrrr}
 \hline \hline 
  Muuttujan nimi    & $\bar{x}$ &  Keskihajonta &   Min &   25\% &   50\% &   75\% &   Max \\
 \hline \hline
- age                  		&  34,5   &  11,7   &  18 &  25 &  31 &  42 &  96 \\
- priors\_count            	&    3,25  &   4,74  &   0 &   0 &   1 &   4 &  38 \\ \hline
+ age                  		&  34,5   	&  11,7   &  18 &  25 &  31 &  42 &  96 \\
+ priors\_count            	&    3,25  	&   4,74  &   0 &   0 &   1 &   4 &  38 \\ \hline
  days\_b\_screening\_arrest &   -1,74  &   5,08  & -30 &  -1 &  -1 &  -1 &  30 \\
- decile\_score            	&    4,42   &   2,84  &   1 &   2 &   4 &   7 &  10 \\
- is\_recid                		&   0,484 &   0,500 &   0 &   0 &   0 &   1 &   1 \\ \hline
+ decile\_score            	&    4,42   	&   2,84  &   1 &   2 &   4 &   7 &  10 \\
+ is\_recid                		&   0,484 	&   0,500 &   0 &   0 &   0 &   1 &   1 \\ \hline
  two\_year\_recid      		&    0,455  &   0,498 &   0 &   0 &   0 &   1 &   1 \\
- length\_of\_stay        	&  14,6   &  46,7   &  -1 &   0 &   1 &   5 & 799 \\
+ length\_of\_stay        	&  14,6   	&  46,7   &  -1 &   0 &   1 &   5 & 799 \\
 \hline \hline
 \end{tabular}
-\caption{COMPAS-aineiston muuttujien hajontalukuja}
+\caption{COMPAS-aineiston numeeristen muuttujien hajontalukuja}
 \label{table:1}
 \end{table}
 
+%%%%%%%%%
+
 \section{Synteettinen}\label{synteettinen}
 
 Synteettinen aineisto luotiin Lakkarajun artikkelissaan selostamalla tavalla \cite{lakkaraju17}. aineistoan simuloitiin kolme muuttujaa $X$, $Z$, ja $W$. Näistä muuttujista $X$ vastaa informaatiota, joka on sekä mallin että tuomarin havaittavissa, eli informaatiota, joka on kirjattu oikeuden pöytäkirjoihin tai on kerättävissä muista rekistereistä, kuten vastaajan sukupuoli. Muuttujalla $Z$ kuvataan tietoa, jonka vain tuomari voi havaita: kuten Lakkaraju havainnollistaa, tällaista voi olla esimerkiksi tieto siitä, onko vastaajalla perhettä mukana oikeussalissa \cite{lakkaraju17}. $W$ on mallissa havainnollistamassa reaalimaailmaa. Muuttujalla esitämme aineistossa informaatiota, joka ei ole saatavilla päätöksentekijöille eikä mallille mutta vaikuttaa silti rikoksenuusimisriskiin. aineistossa nämä ovat kaikki riippumattomia standardinormaalijakautuneita satunnaismuuttujia, eli $X, W, Z \sim N(0, 1) \independent$.
@@ -227,12 +243,12 @@ Päätösmuuttujan $T$ ehdolinen todennäköisyys $\pr(T=0|X, Z)=\frac{1}{1+\tex
 Muuttuja           &  Keskiarvo &   Keskihajonta &   Minimi &   25\% &   50\% &   75\% &   Maksimi \\
 \hline
  acceptanceRate\_R &         0.48 &           0.23 &     0.10 &  0.26 &  0.47 &  0.65 &      0.89 \\
- X                &        -0.00 &           1.00 &    -4.66 & -0.67 & -0.00 &  0.67 &      3.83 \\
- Z                &         0.01 &           1.00 &    -4.85 & -0.67 &  0.00 &  0.68 &      4.24 \\
- W                &         0.01 &           1.00 &    -4.03 & -0.67 &  0.01 &  0.68 &      4.29 \\
- result\_Y         &         0.50 &           0.50 &     0.00 &  0.00 &  0.00 &  1.00 &      1.00 \\
- probabilities\_T  &         0.50 &           0.28 &    -0.34 &  0.28 &  0.50 &  0.72 &      1.30 \\
- decision\_T       &         0.48 &           0.50 &     0.00 &  0.00 &  0.00 &  1.00 &      1.00 \\
+ X                	&        -0.00 &           1.00 &    -4.66 & -0.67 & -0.00 &  0.67 &      3.83 \\
+ Z                	&         0.01 &           1.00 &    -4.85 & -0.67 &  0.00 &  0.68 &      4.24 \\
+ W                	&         0.01 &           1.00 &    -4.03 & -0.67 &  0.01 &  0.68 &      4.29 \\
+ result\_Y         	&         0.50 &           0.50 &     0.00 &  0.00 &  0.00 &  1.00 &      1.00 \\
+ probabilities\_T &         0.50 &           0.28 &    -0.34 &  0.28 &  0.50 &  0.72 &      1.30 \\
+ decision\_T      	&         0.48 &           0.50 &     0.00 &  0.00 &  0.00 &  1.00 &      1.00 \\
 \hline
 \end{tabular}
 \caption{Synteettisen aineiston muuttujien hajontalukuja}
@@ -247,26 +263,32 @@ Muuttuja           &  Keskiarvo &   Keskihajonta &   Minimi &   25\% &   50\% &
 
 Tässä kappaleessa selostan analyyseissa, mallinnuksessa ja validoinnissa käyttämäni menetelmät.
 
+%%%%%%%%%
+
 \section{Aiemmat tutkimukset?}\label{aiemmat}
 
 Aiemmat tutkimukset ovat lähestyneet monesta näkökulmasta, mutta ilman kausaatiota. 
 
+%%%%%%%%%
+
 \section{Validointimetodit}\label{validointi}
 
 Tulosten arvioinnissa käytetään visuaalista tarkastelua ja XZY. Laskemme arvioista vapaaksi päässeiden uusijoiden suhteen kaikkiin tuomittuihin, eli niin sanotun virhesuhteen (failure rate).
 
+%%%%%%%%%
+
 \section{Verkkoteoria}\label{verkot}
 
-Esitän tässä kappaleessa lyhyesti kaikki tarvittavat verkkoteoreettiset määritelmät, joita tulen hyödyntämään. Nouaineiston määritelmissä Oinosta \cite{oinonen16}.
+Kausaalipäättelyn mallit määritellään verkkoina. Esitän tässä kappaleessa lyhyesti kaikki tarvittavat verkkoteoreettiset määritelmät, joita tulen hyödyntämään. Noudatan määritelmissä Oinosta \cite{oinonen16}.
 
 % TiRan materiaalit??
 
 % Ota esimerkki verkko ja kirjoita siitä lyhyet havainnollistavat kommentit
  
-\begin{figure}[H]\label{full_model}
+\begin{figure}[H]\label{esverkko}
 \centering
 \includegraphics[scale = 0.5]{full_model}
-\caption{Esimerkkiverkko $G = (V, E)$, missä $V =  \{R, X, Z, T, Y\}$}
+\caption{Esimerkkiverkko $H = (V, E)$, missä $V =  \{R, X, Z, T, Y\}$.}
 \end{figure}
 
 \begin{maar}[Suunnattu verkko] \label{suun_verkko}
@@ -275,17 +297,19 @@ Esitän tässä kappaleessa lyhyesti kaikki tarvittavat verkkoteoreettiset mää
 
 \end{maar}
 
-\noindent Kuvassa \ref{full_model} näkyvässä verkossa esimerkiksi $(X, R) \in E$, mutta $(T, Z) \notin E$, koska solmusta $T$ ei ole nuolta solmuun $Z$. Lisäksi voidaan todeta, että kaarien joukkoon kuuluu yhdeksän järjestettyä paria ja solmujen joukko $V$ käsittää viisi alkiota, jotka on lueteltu kuvatekstissä.
+\noindent Kuvassa \ref{esverkko} näkyvässä verkossa esimerkiksi $(X, R) \in E$, mutta $(T, Z) \notin E$, koska solmusta $T$ ei ole nuolta solmuun $Z$. Lisäksi voidaan todeta, että kaarien joukkoon kuuluu yhdeksän järjestettyä paria ja solmujen joukko $V$ käsittää viisi alkiota, jotka on lueteltu kuvatekstissä.
 
 \begin{maar} % Lähtösolmu, maalisolmu, vierussolmu
 
 Oletetaan, että $G=(V, E)$ on suunnattu verkko ja $a, b \in V$. \\
 
-\noindent Merkintä $a \rightarrow b$ tarkoittaa, että $(a, b) \in E$. Tällöin sanotaan, että $a$ on kaaren $(a, b)$ \emph{lähtösolmu} ja $b$ on kaaren $(a, b)$ \emph{maalisolmu}. Sanotaan myös, että solmu $b$ on solmun $a$ \emph{vierussolmu}. \\
+\noindent Merkintä $a \rightarrow b$ tarkoittaa, että $(a, b) \in E$. Tällöin sanotaan, että $a$ on kaaren $(a, b)$ \emph{lähtösolmu} ja $b$ on kaaren $(a, b)$ \emph{maalisolmu}. Sanotaan myös, että solmu $b$ on solmun $a$ \emph{vierussolmu}. \\ 
 
 \noindent Jos $(a, a) \in E$, sanotaan suunnatussa verkossa olevan \emph{silmukka} solmussa $a$.
 \end{maar}
 
+\noindent Esimerkkiverkossa $H$ kaaren $(Z, T)$ lähtösolmu on solmu $Z$ ja maalisolmu solmu $T$. Lisäksi huomataan,  että verkossa $H$ ei ole yhtään silmukkaa.
+
 \begin{maar}[Vierekkäisyys] \label{vierekkaisyys}
 
 Oletetaan, että $G=(V, E)$ on suunnattu verkko ja $a, b \in V$. \\
@@ -293,6 +317,8 @@ Oletetaan, että $G=(V, E)$ on suunnattu verkko ja $a, b \in V$. \\
 \noindent Jos solmujen $a$ ja $b$ välillä on nuoli, niin solmujen $a$ ja $b$ sanotaan olevan \emph{vierekkäisiä}.
 \end{maar}
 
+\noindent Kuvan \ref{esverkko} verkosta havaitaan, että melkein kaikki solmut ovat toistensa vierussolmuja. Ainoa poikkeus on solmut $R$ ja $Y$, joiden välillä ei ole nuolta ja jotka eivät siten ole vierekkäisiä.
+
 \begin{maar}[Yksinkertainen suunnattu verkko] \label{yk_suun_verkko}
 
 Oletetaan, että $G = (V,E)$ on suunnattu verkko, jossa ei ole yhtään silmukkaa eli $(v, v) \notin E$ kaikilla $v \in V$. \\
@@ -300,6 +326,7 @@ Oletetaan, että $G = (V,E)$ on suunnattu verkko, jossa ei ole yhtään silmukka
 \noindent Tällöin sanotaan, että $G$ on yksinkertainen suunnattu verkko.
 \end{maar}
 
+\noindent Esimerkkinä käytetystä verkosta $H$ nähdään heti, että se on yksinkertainen suunnattu verkko, koska siinä ei ole yhtään silmukkaa. Yksinkertaisesta suunnatusta verkosta käytetään englanniksi nimitystä \emph{directed acyclic graph} ja se saatetaan lyhentää DAG.
 
 \begin{maar}[Polku ja suunnattu polku] \label{polku}
 
@@ -311,6 +338,8 @@ Oletetaan, että $G$ on yksinkertainen verkko ja $n \in \N, n \geq 1$. \\
 
 \end{maar}
 
+\noindent Huomataan, että esimerkkinä käytetyssä verkossa $H$ on useita polkuja solmusta $R$ solmuun $Y$. Polku $R \rightarrow T \rightarrow Y$ on suunnattu polku ja $R \leftarrow X \rightarrow Y$ on tavallinen polku, sillä solmujen $R$ ja $X$ välillä kuljetaan nuolen suunnan vastaisesti.
+
 \begin{maar} \label{sukulaisuus}
 
 Oletetaan, että $G=(V, E)$ on suunnattu verkko ja $a, b \in V$. \\
@@ -318,20 +347,28 @@ Oletetaan, että $G=(V, E)$ on suunnattu verkko ja $a, b \in V$. \\
 \noindent Jos on olemassa suunnattu polku $a \leadsto b$, niin solmun $b$ sanotaan olevan solmun $a$ \emph{jälkeläinen}. Vastaavasti tällöin sanotaan solmun $a$ olevan solmun $b$ \emph{vanhempi}. 
 \end{maar}
 
+\noindent Esimerkiksi kuvan \ref{esverkko} verkossa solmulla $Y$ ei ole jälkeläisiä ja solmun $Z$ jälkeläiset ovat kaikki muut verkon solmut poislukien se itse, eli solmun $Z$ jälkeläiset on joukko $V \setminus \{Z\}$.
+
+%%%%%%%%%
+
 \section{Kausaalipäättely}\label{kausaali}
 
 Erityisesti \cite{pearl10}. Esittele merkunnät, määritelmät ja mallli. Käännökset Miksi-kirjaa mukaillen?
 
 \subsection{Johdanto?}\label{kausaalijohd}
 
+Kausaalipäättelyssä mallit määritellään usein yksinkertaisina suunnattuina verkkoina. Mallin määrittämästä verkosta voidaan suoraan lukea kausaaliset riippuvuussuhteet ja malliin kuuluvat muuttujat. Jos mallissa on solmut $A$ ja $B$ ja jos solmu $B$ on solmun $A$ jälkeläinen, niin muuttujalla $A$ on mallin mukaan jonkinlainen kausaalinen vaikutus muuttujaan $B$. Jos verkossa muuttujien välillä ei ole jälkeläisyyssuhdetta, niin ne ovat toisistaan riipumattomat. Kausalisen vaikutuksen funktionaalista muotoa ei usein määritellä.
+
+
+* Usein funktionaalista muotoa  ei määritellä,, lisää tähän ne nuoliversiot yhtälöistä havainnollistamaan, että siirrytään yhtäsuuruudesta määräytymiseen \cite{kalisch14}
 
 \subsection{Merkinnät}\label{kausaalimerk}
 
-Kausaalipäättelyssä käytttävät merkinnät noudattelevat pitkälle tavallista todennäköisyyslaskennan merkintöjä. Kun yritetään selvittää muuttujan $X$ vaikutusta muuttujaan $Y$ ja tehtään interventio, siten että muuttuja $X$ asetetaan arvoon $x_0$, merkitsen sitä $\pr(Y| \text{do} (X=x_0))$. 
+Kausaalipäättelyssä käytettävät merkinnät noudattelevat pitkälle tavallisia todennäköisyyslaskennan merkintöjä. Kun selvitetään muuttujan $X$ vaikutusta muuttujaan $Y$ ja tehdään interventio asettamalla muuttuja $X$ arvoon $x_0$, sitä merkitään $\pr(Y| \text{do} (X=x_0))$. 
 
 \subsection{Määritelmät}\label{kausaalimäär}
 
-\begin{maar}\label{d_sep}
+\begin{maar}[Takaovikriteeri, \emph{back-door criterion}]\label{d_sep}
 
 Joukko $\s$ sulkee / katkaisee (blocks) polun $p$, jos vähintään toinen seuraavista ehdoista on voimassa:
 
@@ -344,16 +381,57 @@ Joukko $\s$ sulkee / katkaisee (blocks) polun $p$, jos vähintään toinen seura
 
 \begin{maar}\label{adjustment}
 
-Oletetaan, että halutaan selvittää (satunnais)muuttujan X kausaalista vaikutusta muuttujaan Y. Joukko  $\s$ on riittävä adjustmenttiin, kun seuraavat ehdot ovat voimassa:
+Oletetaan, että halutaan selvittää (satunnais)muuttujan X kausaalista vaikutusta muuttujaan Y. Joukko  $\s$ on \emph{riittävä} tasoitukseen (adjustment), kun seuraavat ehdot ovat voimassa: \textbf{sufficifient to adjusment =  identifioituva?}
 
 \begin{enumerate}[(1)]
 \item Yksikään joukon  $\s$ alkioista ei ole solmun X jälkeläinen.
-\item Joukon $\s$ alkiot ''blokkaavat'' kaikki märitelmän \ref{d_sep} mukaiset ''takaovireitit'' solmusta X solmuun Y.
+\item Joukon $\s$ alkiot katkaisevat kaikki märitelmän \ref{d_sep} mukaiset polut / ''takaovireitit'' solmusta X solmuun Y.
 \end{enumerate}
 
 \end{maar}
 \subsection{Malli}\label{kausaalimalli}
 
+Mallimme esitellään alla. Mallissamm
+
+
+\begin{table}[h!]
+\centering
+\begin{tabular}{rl}
+\hline \hline 
+Muuttuja  &  Kuvaus \\
+\hline
+ R 	& Vapautusprosentti, vapautumiskynnys \\
+ X 	& Henkilökohtaiset muuttujat, kirjalliset \\
+ Z 	& Henkilökohtaiset muuttujat, tuomarin havaiitsemat\\
+ W 	& Henkilökohtaiset muuttujat, havaitsemattomat, \emph{kohtalo}\\
+ Y 	& Uusinta, $Y=0$ uusi, 1 niin ei uusinut\\
+ T 	& 0 on jail, 1 on bail\\
+\hline  \hline 
+\end{tabular}
+\caption{Mallin muuttjienn selitteet}
+\label{syntmjat}
+\end{table}
+
+\begin{figure}[H]
+    \centering
+    \begin{subfigure}[b]{0.4\textwidth}
+        \includegraphics[width=\textwidth]{final_model}
+        \caption{lopullinen malli}
+        \label{final_model}
+    \end{subfigure}
+    ~ %add desired spacing between images, e. g. ~, \quad, \qquad, \hfill etc. 
+      %(or a blank line to force the subfigure onto a new line)
+    \begin{subfigure}[b]{0.5\textwidth}
+        \includegraphics[width=\textwidth]{intervention_model}
+        \caption{interventio}
+        \label{intervention_model}
+    \end{subfigure}
+    ~ %add desired spacing between images, e. g. ~, \quad, \qquad, \hfill etc. 
+    %(or a blank line to force the subfigure onto a new line)
+    \caption{Kasuaalimallit graafina}\label{mallikuvat}
+\end{figure}
+
+
 
 \begin{algorithm} 			% enter the algorithm environment
 \caption{Kausaalialgoritmi} 		% give the algorithm a caption
@@ -386,11 +464,11 @@ Oletetaan, että halutaan selvittää (satunnais)muuttujan X kausaalista vaikutu
 
 \chapter{Tulokset}\label{tulokset}
 
-
+%%%%%%%%%
 
 \section{Synteettinen}\label{synttulokset}
 
-
+%%%%%%%%%
 
 \section{Compas}\label{compastulokset}
 
@@ -422,11 +500,12 @@ res <- causal.effect("Y", "R", G = g)
 %\nocite{*}
 
 \bibliographystyle{babplain}
+\renewcommand{\bibname}{Lähteet}
 \bibliography{viitteet} 
 
-\begin{appendices}
-\chapter{Abstract in English?}
-The contents...
-\end{appendices}
+%\begin{appendices}
+%\chapter{Abstract in English?}
+%The contents...
+%\end{appendices}
 
 \end{document}
diff --git a/analysis_and_scripts/Bachelors_thesis_analyses.ipynb b/analysis_and_scripts/Bachelors_thesis_analyses.ipynb
index a31de7f6d2992bd362372dcdde248d462d33e942..75cae70ac4970b2707a5fddfb83f8adb401aba2f 100644
--- a/analysis_and_scripts/Bachelors_thesis_analyses.ipynb
+++ b/analysis_and_scripts/Bachelors_thesis_analyses.ipynb
@@ -628,7 +628,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 5,
+   "execution_count": 40,
    "metadata": {},
    "outputs": [
     {
@@ -644,23 +644,96 @@
      "output_type": "display_data"
     },
     {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "                          age  priors_count  days_b_screening_arrest  \\\n",
-      "age                      1.00          0.12                    -0.07   \n",
-      "priors_count             0.12          1.00                     0.02   \n",
-      "days_b_screening_arrest -0.07          0.02                     1.00   \n",
-      "decile_score            -0.40          0.45                     0.09   \n",
-      "length_of_stay           0.01          0.19                     0.06   \n",
-      "\n",
-      "                         decile_score  length_of_stay  \n",
-      "age                             -0.40            0.01  \n",
-      "priors_count                     0.45            0.19  \n",
-      "days_b_screening_arrest          0.09            0.06  \n",
-      "decile_score                     1.00            0.21  \n",
-      "length_of_stay                   0.21            1.00  \n"
-     ]
+     "data": {
+      "text/html": [
+       "<div>\n",
+       "<style scoped>\n",
+       "    .dataframe tbody tr th:only-of-type {\n",
+       "        vertical-align: middle;\n",
+       "    }\n",
+       "\n",
+       "    .dataframe tbody tr th {\n",
+       "        vertical-align: top;\n",
+       "    }\n",
+       "\n",
+       "    .dataframe thead th {\n",
+       "        text-align: right;\n",
+       "    }\n",
+       "</style>\n",
+       "<table border=\"1\" class=\"dataframe\">\n",
+       "  <thead>\n",
+       "    <tr style=\"text-align: right;\">\n",
+       "      <th></th>\n",
+       "      <th>age</th>\n",
+       "      <th>priors_count</th>\n",
+       "      <th>days_b_screening_arrest</th>\n",
+       "      <th>decile_score</th>\n",
+       "      <th>length_of_stay</th>\n",
+       "    </tr>\n",
+       "  </thead>\n",
+       "  <tbody>\n",
+       "    <tr>\n",
+       "      <th>age</th>\n",
+       "      <td>1.00</td>\n",
+       "      <td>0.12</td>\n",
+       "      <td>-0.07</td>\n",
+       "      <td>-0.40</td>\n",
+       "      <td>0.01</td>\n",
+       "    </tr>\n",
+       "    <tr>\n",
+       "      <th>priors_count</th>\n",
+       "      <td>0.12</td>\n",
+       "      <td>1.00</td>\n",
+       "      <td>0.02</td>\n",
+       "      <td>0.45</td>\n",
+       "      <td>0.19</td>\n",
+       "    </tr>\n",
+       "    <tr>\n",
+       "      <th>days_b_screening_arrest</th>\n",
+       "      <td>-0.07</td>\n",
+       "      <td>0.02</td>\n",
+       "      <td>1.00</td>\n",
+       "      <td>0.09</td>\n",
+       "      <td>0.06</td>\n",
+       "    </tr>\n",
+       "    <tr>\n",
+       "      <th>decile_score</th>\n",
+       "      <td>-0.40</td>\n",
+       "      <td>0.45</td>\n",
+       "      <td>0.09</td>\n",
+       "      <td>1.00</td>\n",
+       "      <td>0.21</td>\n",
+       "    </tr>\n",
+       "    <tr>\n",
+       "      <th>length_of_stay</th>\n",
+       "      <td>0.01</td>\n",
+       "      <td>0.19</td>\n",
+       "      <td>0.06</td>\n",
+       "      <td>0.21</td>\n",
+       "      <td>1.00</td>\n",
+       "    </tr>\n",
+       "  </tbody>\n",
+       "</table>\n",
+       "</div>"
+      ],
+      "text/plain": [
+       "                          age  priors_count  days_b_screening_arrest  \\\n",
+       "age                      1.00          0.12                    -0.07   \n",
+       "priors_count             0.12          1.00                     0.02   \n",
+       "days_b_screening_arrest -0.07          0.02                     1.00   \n",
+       "decile_score            -0.40          0.45                     0.09   \n",
+       "length_of_stay           0.01          0.19                     0.06   \n",
+       "\n",
+       "                         decile_score  length_of_stay  \n",
+       "age                             -0.40            0.01  \n",
+       "priors_count                     0.45            0.19  \n",
+       "days_b_screening_arrest          0.09            0.06  \n",
+       "decile_score                     1.00            0.21  \n",
+       "length_of_stay                   0.21            1.00  "
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
     }
    ],
    "source": [
@@ -670,7 +743,7 @@
     "]])\n",
     "plt.show()\n",
     "\n",
-    "print(compas[[\n",
+    "display(compas[[\n",
     "    'age', 'priors_count', 'days_b_screening_arrest', 'decile_score',\n",
     "    'length_of_stay'\n",
     "]].corr().round(2))"
@@ -688,25 +761,27 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 6,
+   "execution_count": 41,
    "metadata": {},
    "outputs": [
     {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "1     1286\n",
-      "2      822\n",
-      "4      666\n",
-      "3      647\n",
-      "5      582\n",
-      "6      529\n",
-      "7      496\n",
-      "9      420\n",
-      "8      420\n",
-      "10     304\n",
-      "Name: decile_score, dtype: int64\n"
-     ]
+     "data": {
+      "text/plain": [
+       "1     1286\n",
+       "2      822\n",
+       "4      666\n",
+       "3      647\n",
+       "5      582\n",
+       "6      529\n",
+       "7      496\n",
+       "9      420\n",
+       "8      420\n",
+       "10     304\n",
+       "Name: decile_score, dtype: int64"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
     }
    ],
    "source": [
@@ -716,18 +791,20 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 7,
+   "execution_count": 42,
    "metadata": {},
    "outputs": [
     {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "25 - 45            3532\n",
-      "Less than 25       1347\n",
-      "Greater than 45    1293\n",
-      "Name: age_cat, dtype: int64\n"
-     ]
+     "data": {
+      "text/plain": [
+       "25 - 45            3532\n",
+       "Less than 25       1347\n",
+       "Greater than 45    1293\n",
+       "Name: age_cat, dtype: int64"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
     }
    ],
    "source": [
@@ -2024,11 +2101,38 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 39,
    "metadata": {
     "scrolled": false
    },
-   "outputs": [],
+   "outputs": [
+    {
+     "data": {
+      "image/png": "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\n",
+      "text/plain": [
+       "<Figure size 1008x576 with 1 Axes>"
+      ]
+     },
+     "metadata": {
+      "needs_background": "light"
+     },
+     "output_type": "display_data"
+    },
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "[[0.0179 0.0179 0.     0.0199 0.0183 0.0274]\n",
+      " [0.0312 0.0357 0.0022 0.0319 0.0568 0.0443]\n",
+      " [0.0625 0.067  0.0167 0.0677 0.0991 0.0928]\n",
+      " [0.1071 0.1071 0.0366 0.1116 0.1335 0.1335]\n",
+      " [0.1607 0.1473 0.1126 0.1633 0.1625 0.1576]\n",
+      " [0.2098 0.2098 0.207  0.2271 0.1854 0.188 ]\n",
+      " [0.2679 0.2679 0.2818 0.2749 0.1993 0.2011]\n",
+      " [0.3125 0.3214 0.3877 0.3546 0.2102 0.2131]]\n"
+     ]
+    }
+   ],
    "source": [
     "failure_rates = np.zeros((8, 6))\n",
     "\n",
@@ -2049,8 +2153,7 @@
     "                                           r / 10]\n",
     "\n",
     "    # Released are the people they judged and released, T = 1\n",
-    "    released = test_labeled[test_labeled.judgeID_J.isin(correct_leniency_list)\n",
-    "                    & (test_labeled.decision_T == 1)]\n",
+    "    released = test_labeled[test_labeled.judgeID_J.isin(correct_leniency_list)]\n",
     "\n",
     "    # Get their failure rate, aka ratio of reoffenders to number of people judged in total\n",
     "    failure_rates[r - 1, 2] = np.sum(\n",
@@ -2207,7 +2310,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 26,
+   "execution_count": 36,
    "metadata": {},
    "outputs": [
     {
diff --git a/viitteet.bib b/viitteet.bib
index 094a6f3667fa4f88eace8ac476843e2f628d378e..31e1d8224066520dd6310eabd42866cbe05b847c 100644
--- a/viitteet.bib
+++ b/viitteet.bib
@@ -95,9 +95,10 @@
   title={California eliminates cash bail in sweeping reform}, 
   url={https://edition.cnn.com/2018/08/28/us/bail-california-bill/index.html}, 
   journal={CNN}, 
-  author={Park, Madison}, 
+  author={Madison Park}, 
   year={2018}, 
   month={Elokuu},
+  note = {viitattu 5.4.2019},
   language={finnish}
 } 
 
@@ -120,3 +121,23 @@
   note={Suomennos Kimmo Pietil{\"a}inen},
   language={finnish}
 } 
+
+@book{laaksonen13,
+    author    = "Seppo Laaksonen",
+    title     = "Surveymetodiikka: Aineiston kokoamisesta puhdistamisen kautta analyysiin",
+    publisher = "bookboon.com",
+    edition  = "2",
+    year      = "2013",
+  language={finnish}
+} 
+
+@article{propublica16, 
+  title={Machine Bias}, 
+  url={https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing}, 
+  journal={ProPublica}, 
+  author={Julia Angwin and Jeff Larson and Surya Mattu and Lauren Kirchner},
+  month = "Toukokuu",
+  year = "2016",
+  language={finnish},
+  note = {viitattu 5.4.2019}
+} 
\ No newline at end of file