---
title: "Voittaminen kannattaa aina – vai kannattaako? Lohkojärjestelmien peliteoria"
subtitle: "Miksi MM-kiekon turnausformaatti luo tilanteita, joissa häviäminen on rationaalista – ja miten se korjataan"
author: "Kristian Vepsäläinen"
date: "2026-05-26"
categories: [peliteoria, urheilu, bayesläinen analyysi, päätöksenteko]
image: "preview.png"
code-fold: true
execute:
warning: false
message: false
format:
html:
theme: minty
base_font_size: 14px
---
```{r setup, include=FALSE}
library(tidyverse)
library(ggplot2)
library(patchwork)
set.seed(42)
# Väripaletti
col_red <- "#e63946"
col_green <- "#2a9d8f"
col_orange <- "#f4a261"
col_navy <- "#1d3557"
col_blue <- "#457b9d"
```
## Tilanne, joka ei saisi olla mahdollinen
Tiistaina 26.5.2026 Sveitsi ja Suomi pelaavat jääkiekon MM-kisojen A-lohkon viimeisen ottelun. Kyse on lohkovoitosta — molemmat joukkueet ovat voittaneet kaikki aiemmat ottelunsa.
Mutta sitten tulee kysymys, jonka jokainen jalkapallo- tai jääkiekkokatsoja on jossain vaiheessa tajunnut miettiä: *kannattaako voittaa?*
IIHF:n nykyisessä järjestelmässä puolivälierät muodostuvat seuraavasti: A-lohkon 1. kohtaa B-lohkon 4., A-lohkon 2. kohtaa B-lohkon 3., B-lohkon 1. kohtaa A-lohkon 4. ja B-lohkon 2. kohtaa A-lohkon 3.
Tässä on ongelma. B-lohkon tilanne voi muodostua sellaiseksi, että neljänneksi sijoittuu huomattavasti heikompi joukkue kuin kolmanneksi. Tällöin lohkon ykkösen kannattaisi teoriassa mieluummin sijoittua kakkoseksi — tai jopa kolmanneksi.
Kyse ei ole spekulaatiosta. Norja kaatoi Ruotsin alkulohkon ottelussa ja syöksi Tre Kronorin erittäin kinkkiseen tilanteeseen — ja se teki B-lohkon neljännen paikan arvosta hyvin erilaisen kuin kolmannen paikan arvo.
Tämä on **peliteoriallinen ongelma**, ei sattuma. Ja sitä ei korjata valvomalla — se korjataan suunnittelemalla formaatti paremmin.
---
## Kaksi ongelmaa, yksi rakenne
Nykyisessä IIHF-formaatissa on kaksi rakenteellista vikaa:
**Ongelma 1: Turhat ottelut.** Kun joukkueen jatko on jo varmistunut eikä sijoituksella ole väliä, ottelu muuttuu merkityksettömäksi. Pelaajat säästävät itseään pudotuspelejä varten, yleisö ei innostu, ja peli on laadultaan heikkoa.
**Ongelma 2: Kannustin häviämiseen.** Tämä on vakavampi ongelma. Jos lohkon sijoitukset vaikuttavat siihen, ketä pudotuspeleissä kohtaa, syntyy tilanteita, joissa *rationaalinen joukkue häviää tarkoituksella* saadakseen "helpomman" vastustajan.
Nämä eivät ole teoreettisia skenaarioita. Ne ovat tapahtuneet — urheilun historiassa on useita tunnettuja esimerkkejä.
---
## Peliteoria: Milloin häviäminen on rationaalista?
Peliteoria tutkii strategista päätöksentekoa tilanteissa, joissa yksi toimija vaikuttaa toiseen. Urheiluturnaukset ovat klassinen peliteoriallinen ympäristö.
Määritellään ongelma formaalisti. Olkoon joukkueella kaksi mahdollista strategiaa ottelussa:
- **V** = Voittaa (yritetään vilpittömästi voittaa)
- **H** = Hävitä (pelataan strategisesti häviämistä tavoitellen)
Joukkueen odotusarvoinen menestys turnauksessa (E) riippuu:
1. Sijoituksesta alkulohkossa (S)
2. Vastustajasta pudotuspeleissä, jonka tämä sijoitus määrittää (V_opp)
3. Omasta todennäköisyydestä voittaa ko. vastustaja (p)
Häviäminen on rationaalista, kun:
$$E[\text{voitto}|\text{sijoitus } k] < E[\text{voitto}|\text{sijoitus } k+1]$$
eli kun heikompaan sijoitukseen päätyminen nostaa odotettua kokonaismenestystä.
```{r peliteoria-laskelma}
# Simuloidaan yksinkertainen esimerkkitilanne
# Joukkueen vahvuus asteikolla 0-1
# Todennäköisyys voittaa vastustaja = logistinen funktio vahvuuksien erosta
voittotodennakoisyys <- function(oma_vahvuus, vastustajan_vahvuus) {
1 / (1 + exp(-(oma_vahvuus - vastustajan_vahvuus) * 5))
}
# Kuvitteellinen B-lohkon tilanne
b_lohko <- tibble(
sijoitus = 1:4,
joukkue = c("Kanada", "Ruotsi", "Tshekki", "Norja"),
vahvuus = c(0.88, 0.82, 0.75, 0.52)
)
# A-lohkon esimerkkijoukkue (esim. Suomi, vahvuus 0.80)
suomi_vahvuus <- 0.80
# Puolivälieräparit: A1 vs B4, A2 vs B3, A3 vs B2, A4 vs B1
# Jos Suomi on A1: kohtaa B4 (Norja)
# Jos Suomi on A2: kohtaa B3 (Tshekki)
parit <- b_lohko |>
mutate(
a_sijoitus = 5 - sijoitus, # A1 vs B4, A2 vs B3, jne.
voittotod = voittotodennakoisyys(suomi_vahvuus, vahvuus),
label = paste0("A", a_sijoitus, " vs B", sijoitus, "\n(", joukkue, ")")
)
# Tarkistus
stopifnot(all(parit$voittotod >= 0 & parit$voittotod <= 1))
stopifnot(nrow(parit) == 4)
p1 <- parit |>
ggplot(aes(x = reorder(label, a_sijoitus), y = voittotod, fill = voittotod)) +
geom_col(width = 0.6, color = "white") +
geom_text(aes(label = paste0(round(voittotod * 100, 1), "%")),
vjust = -0.5, size = 4, fontface = "bold") +
scale_fill_gradient(low = col_red, high = col_green) +
scale_y_continuous(labels = scales::percent, limits = c(0, 1.05)) +
labs(
title = "Suomen voittotodennäköisyys puolivälierässä",
subtitle = "Kuvitteellinen tilanne: mitä A-lohkon sijoitus merkitsee?",
x = "Puolivälieräpari",
y = "Voittotodennäköisyys",
caption = "Mallinnus: logistinen voittomalli joukkueiden vahvuuserojen perusteella"
) +
theme_minimal(base_size = 13) +
theme(legend.position = "none",
plot.title = element_text(face = "bold", color = col_navy),
plot.subtitle = element_text(color = col_blue))
print(p1)
```
Yllä oleva kuvaaja paljastaa ydinkysymyksen: **yksittäinen luku — sijoitus — piilottaa suuren epävarmuuden**. Riippuu täysin siitä, ketkä B-lohkosta etenivät, onko lohkovoitto etu vai taakka.
Kun Norja kaataa Ruotsin (kuten tapahtui tässä turnauksessa), lohkon neljännen sijoitus muuttuu houkuttelevaksi kohteeksi — ja lohkovoittajan kannattaa miettiä, haluaako se oikeasti voittaa viimeisen ottelunsa.
---
## Jakauma paljastaa ongelman syvyyden
Tarkastellaan asiaa todennäköisyyksien jakaumana — ei pistelukuina.
```{r bayeslainen-simulaatio}
# Monte Carlo -simulaatio: kuinka usein lohkovoitto on HUONOMPI kuin kakkossija?
# Simuloidaan B-lohkon satunnaisia tilanteita
n_sim <- 50000
# B-lohkon joukkueet: vahvuudet satunnaistetaan realistisesta jakaumasta
# IIHF-rankingin top-16 joukkueet ovat vahvuudeltaan välillä ~0.45–0.92
sim_results <- tibble(
sim_id = 1:n_sim
) |>
mutate(
# Simuloidaan 4 B-lohkon pudotuspelijoukkueen vahvuudet
b1 = rbeta(n_sim, 8, 2), # B-lohkon voittaja: yleensä vahva
b2 = rbeta(n_sim, 6, 3),
b3 = rbeta(n_sim, 4, 4),
b4 = rbeta(n_sim, 3, 6), # B-lohkon neljäs: yleensä heikompi
# Mutta satunnaisesti voi olla yllätyksiä - sekoitetaan järjestystä
# (koska ottelut voivat yllättää)
b4_actual = pmin(b4 * runif(n_sim, 0.7, 1.5), 0.99),
b3_actual = pmin(b3 * runif(n_sim, 0.7, 1.5), 0.99),
# Oma joukkue (Suomi): vahvuus 0.75-0.85
oma = runif(n_sim, 0.75, 0.85),
# Voittotodennäköisyydet
p_voitto_lohko1 = voittotodennakoisyys(oma, b4_actual), # A1 vs B4
p_voitto_lohko2 = voittotodennakoisyys(oma, b3_actual), # A2 vs B3
# Kumpi kannattaa?
kannattaa_havita = p_voitto_lohko2 > p_voitto_lohko1
)
# Tarkistus
stopifnot(all(sim_results$p_voitto_lohko1 >= 0 & sim_results$p_voitto_lohko1 <= 1))
stopifnot(all(sim_results$p_voitto_lohko2 >= 0 & sim_results$p_voitto_lohko2 <= 1))
osuus_kannattaa_havita <- mean(sim_results$kannattaa_havita)
# Jakauma voittotodennäköisyyksien erosta
sim_results <- sim_results |>
mutate(etu = p_voitto_lohko2 - p_voitto_lohko1)
p2 <- sim_results |>
ggplot(aes(x = etu)) +
geom_histogram(aes(fill = etu > 0), bins = 80, color = "white", linewidth = 0.1) +
geom_vline(xintercept = 0, color = col_navy, linewidth = 1.2, linetype = "dashed") +
scale_fill_manual(
values = c(col_green, col_red),
labels = c("Lohkovoitto parempi", "Kakkossija parempi")
) +
scale_x_continuous(labels = scales::percent) +
labs(
title = "Kannattaako lohkovoitto? Jakauma 50 000 simulaatiosta",
subtitle = paste0(
round(osuus_kannattaa_havita * 100, 1),
"% simulaatioista: kakkossija antaa helpomman puolivälierivastustajan"
),
x = "Kakkossijan etu lohkovoittoon nähden (voittotodennäköisyys)",
y = "Simulaatioiden lukumäärä",
fill = "",
caption = "Monte Carlo -simulaatio, n = 50 000. Joukkueiden vahvuudet satunnaistettu realistisesta jakaumasta."
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "bottom",
plot.title = element_text(face = "bold", color = col_navy),
plot.subtitle = element_text(color = col_red)
)
print(p2)
```
Tulos on hätkähdyttävä: merkittävässä osassa realistisia skenaarioita **lohkovoitto on rationaaliselle joukkueelle strategisesti haitallinen**. Tämä ei ole teoreettinen erikoisuus — se on järjestelmän rakenteellinen vika.
---
## Peliteoria: Nash-tasapaino ja "jänisdilemma"
Kun molemmat joukkueet tietävät tämän — ja ammattilaistason joukkueet tietävät — syntyy klassinen peliteoriallinen tilanne.
Tarkastellaan Suomi–Sveitsi-ottelua pelimatriisina. Olkoon Suomelle B-lohkon 4. sijalle päätyvä joukkue helpompi kuin 3. sijalle päätyvä.
```{r pelimatriisi}
# Kuvitteelliset hyötyarvot (odotusarvo: kuinka pitkälle pääsee turnauksessa)
# 1 = pudotus puolivälierässä, 2 = välierät, 3 = finaali, 4 = mestaruus
# Tässä esimerkissä: molemmat tietävät että B4 (Norja) on helpompi kuin B3 (Ruotsi)
# A1 vs B4, A2 vs B3
# Suomi voittaa → Suomi A1, Sveitsi A2
# Suomi häviää → Suomi A2, Sveitsi A1
# Odotusarvot (kuvitteelliset, realistisesti harkitut)
matriisi <- tribble(
~sveitsi_strategia, ~suomi_voittaa, ~suomi_havittaa,
"Sveitsi yrittää voittaa", "Suomi: 2.8\nSveitsi: 2.4", "Suomi: 2.4\nSveitsi: 2.8",
"Sveitsi yrittää hävitä", "Suomi: 2.8\nSveitsi: 3.1", "Suomi: 3.1\nSveitsi: 2.8"
)
# Visualisoidaan matriisi
matriisi_long <- tribble(
~suomi, ~sveitsi, ~arvo_suomi, ~arvo_sveitsi, ~selite,
"Suomi voittaa", "Sveitsi yrittää voittaa", 2.8, 2.4,
"Normaali tilanne:\nSuomi A1, Sveitsi A2\nSuomelle B4 (helpompi)",
"Suomi häviää", "Sveitsi yrittää voittaa", 2.4, 2.8,
"Sveitsi saa helpomman\nvastustajan",
"Suomi voittaa", "Sveitsi yrittää hävitä", 2.8, 3.1,
"Sveitsi saa haluamansa\ntulos ilman riskiä",
"Suomi häviää", "Sveitsi yrittää hävitä", 3.1, 2.8,
"Molemmat saivat\nhaluamansa"
) |>
mutate(
nash = (suomi == "Suomi häviää" & sveitsi == "Sveitsi yrittää hävitä"),
label = paste0("Suomi: ", arvo_suomi, "\nSveitsi: ", arvo_sveitsi)
)
p3 <- matriisi_long |>
ggplot(aes(x = suomi, y = sveitsi)) +
geom_tile(aes(fill = nash), color = "white", linewidth = 2) +
geom_text(aes(label = label), size = 4.5, fontface = "bold", color = "white") +
scale_fill_manual(values = c(col_blue, col_red)) +
labs(
title = "Pelimatriisi: Suomi vs. Sveitsi — kenen kannattaa voittaa?",
subtitle = "Punainen = Nash-tasapaino: molemmat hävittävät tarkoituksella",
x = "Suomen strategia",
y = "Sveitsin strategia",
caption = "Kuvitteelliset odotusarvoluvut (1=puolivälierätappio, 4=mestaruus). Nash-tasapaino syntyy, kun molemmat tietävät toistensa kannustimista."
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", color = col_navy),
plot.subtitle = element_text(color = col_red),
axis.text = element_text(size = 12)
)
print(p3)
```
Nash-tasapaino (punainen ruutu) on tilanne, jossa **molemmat joukkueet yrittävät hävitä**. Tämä on rationaalinen lopputulos — ei korruptiota, ei huijaamista, vaan puhdasta peliteoriaa.
Yleisö maksaa lipusta nähdäkseen tämän.
---
## Kolme vaihtoehtoista järjestelmää
Ongelma on tunnistettu laajasti urheilussa. Tarkastellaan kolmea vaihtoehtoa, jotka poistavat tai vähentävät nämä ongelmat.
### Vaihtoehto 1: Sveitsiläinen järjestelmä (Swiss System)
Sveitsiläisessä järjestelmässä ei ole kiinteitä lohkoja. Jokainen joukkue kohtaa saman pistemäärän omaavan vastustajan — joten tasaisesti kehittyvät joukkueet kohtaavat aina tasaveroisia vastustajia.
**Etuja:** Ei turhia otteluita, ei kannustinta häviämiseen, tasaisen vahvuiset joukkueet kohtaavat toisiaan. Käytetään laajalti shakissa ja Go-kilpailuissa.
**Haittoja:** Vastustajat eivät ole tiedossa etukäteen (logistinen haaste), ja järjestelmä on yleisölle vaikeampi seurata.
### Vaihtoehto 2: Kiinteä bracket ilman lohkosidonnaisuutta
Kaikki joukkueet sijoitetaan pudotuspelibracketiin etukäteen, esimerkiksi IIHF-rankingilla. Alkulohkovaihe ei vaikuta siihen, ketä kohtaa pudotuspeleissä.
**Etuja:** Ei kannustinta häviämiseen, koska sijoituksella ei ole väliä pudotuspelipareja määritettäessä.
**Haittoja:** Alkulohko-ottelut menettävät merkityksensä täysin — turhat pelit eivät poistu.
### Vaihtoehto 3: Pistemääräsijoittelu kaikkien lohkojen yli
Käytetty esimerkiksi jalkapallon MM-kisoissa 2026. Kaikkien lohkojen kolmannet sijoittuneet kilpailevat samoilla pisteillä. Tämä vähentää mutta ei poista ongelmaa.
```{r jarjestelmavertailu}
# Vertaillaan järjestelmiä simulaation avulla
# Mitataan: kuinka usein syntyy "rationaalinen häviämiskannustin"
jarjestelmat <- tribble(
~jarjestelma, ~havita_kannustin_osuus, ~turhat_ottelut_osuus, ~yleison_seurattavuus,
"Nykyinen IIHF", 0.31, 0.18, 0.90,
"Sveitsiläinen", 0.02, 0.03, 0.55,
"Kiinteä bracket", 0.04, 0.45, 0.80,
"Pistesijoittelu\n(kaikki lohkot)", 0.15, 0.12, 0.75
)
# Tarkistus: kaikki arvot välillä 0-1
stopifnot(all(jarjestelmat$havita_kannustin_osuus >= 0 & jarjestelmat$havita_kannustin_osuus <= 1))
stopifnot(all(jarjestelmat$turhat_ottelut_osuus >= 0 & jarjestelmat$turhat_ottelut_osuus <= 1))
stopifnot(all(jarjestelmat$yleison_seurattavuus >= 0 & jarjestelmat$yleison_seurattavuus <= 1))
jarjestelmat_long <- jarjestelmat |>
pivot_longer(
cols = c(havita_kannustin_osuus, turhat_ottelut_osuus, yleison_seurattavuus),
names_to = "mittari",
values_to = "arvo"
) |>
mutate(
mittari_label = case_when(
mittari == "havita_kannustin_osuus" ~ "Häviämiskannustimen\ntodennäköisyys",
mittari == "turhat_ottelut_osuus" ~ "Merkityksettömien\notteluiden osuus",
mittari == "yleison_seurattavuus" ~ "Yleisön seurattavuus\n(suhteellinen)"
),
# Pienemmät arvot ovat parempia ensimmäisissä kahdessa
parempi_pienempi = mittari != "yleison_seurattavuus"
)
p4 <- jarjestelmat_long |>
ggplot(aes(x = reorder(jarjestelma, arvo), y = arvo, fill = jarjestelma)) +
geom_col(width = 0.6, color = "white") +
geom_text(aes(label = paste0(round(arvo * 100), "%")),
hjust = -0.1, size = 3.5, fontface = "bold") +
coord_flip() +
scale_y_continuous(labels = scales::percent, limits = c(0, 1.1)) +
scale_fill_manual(values = c(col_red, col_green, col_orange, col_blue)) +
facet_wrap(~mittari_label, scales = "free_x") +
labs(
title = "Järjestelmävertailu: neljä turnausformaattia",
subtitle = "Häviämiskannustin ja turhat ottelut: pienempi on parempi. Seurattavuus: suurempi on parempi.",
x = "", y = "",
caption = "Luvut perustuvat kirjoittajan arvioon julkisista analyyseistä ja teoreettisesta mallinnuksesta."
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", color = col_navy),
plot.subtitle = element_text(color = col_blue),
strip.text = element_text(face = "bold", size = 10)
)
print(p4)
```
---
## Optimaalinen järjestelmä: Bayesilainen näkökulma epävarmuuteen
Mikään järjestelmä ei ole täydellinen. Siksi järjestelmän valinta on päätös epävarmuuden alla — ja siihen soveltuu Bayesilainen lähestymistapa.
Määritellään tavoitefunktio:
$$U(\text{järjestelmä}) = w_1 \cdot (1 - P_{\text{häviämiskannustin}}) + w_2 \cdot (1 - P_{\text{turhat ottelut}}) + w_3 \cdot P_{\text{seurattavuus}}$$
missä painot $w_1, w_2, w_3$ kuvastavat sitä, mitä arvostamme eniten.
```{r optimaalisuusanalyysi}
# Herkkyysanalyysi: miten järjestelmien paremmuusjärjestys muuttuu painojen mukaan?
# Lasketaan hyöty eri painoyhdistelmillä
painot_grid <- expand_grid(
w1 = seq(0.1, 0.8, by = 0.1),
w2 = seq(0.1, 0.8, by = 0.1)
) |>
filter(w1 + w2 <= 0.9) |>
mutate(w3 = 1 - w1 - w2)
# Lasketaan hyöty kullekin järjestelmälle
laske_hyoty <- function(jarj, w1, w2, w3) {
w1 * (1 - jarj$havita_kannustin_osuus) +
w2 * (1 - jarj$turhat_ottelut_osuus) +
w3 * jarj$yleison_seurattavuus
}
tulokset <- painot_grid |>
rowwise() |>
mutate(
hyoty_iihf = laske_hyoty(jarjestelmat[1,], w1, w2, w3),
hyoty_sveitsi = laske_hyoty(jarjestelmat[2,], w1, w2, w3),
hyoty_bracket = laske_hyoty(jarjestelmat[3,], w1, w2, w3),
hyoty_pisteet = laske_hyoty(jarjestelmat[4,], w1, w2, w3),
paras = case_when(
hyoty_sveitsi >= pmax(hyoty_iihf, hyoty_bracket, hyoty_pisteet) ~ "Sveitsiläinen",
hyoty_bracket >= pmax(hyoty_iihf, hyoty_sveitsi, hyoty_pisteet) ~ "Kiinteä bracket",
hyoty_pisteet >= pmax(hyoty_iihf, hyoty_sveitsi, hyoty_bracket) ~ "Pistesijoittelu",
TRUE ~ "Nykyinen IIHF"
)
) |>
ungroup()
# Tarkistus
stopifnot(nrow(tulokset) > 0)
stopifnot(all(tulokset$w3 > 0))
p5 <- tulokset |>
ggplot(aes(x = w1, y = w2, fill = paras)) +
geom_tile(color = "white", linewidth = 0.3) +
scale_fill_manual(
values = c(
"Nykyinen IIHF" = col_red,
"Sveitsiläinen" = col_green,
"Kiinteä bracket" = col_orange,
"Pistesijoittelu" = col_blue
)
) +
labs(
title = "Mikä järjestelmä on optimaalinen? Herkkyysanalyysi",
subtitle = "Väri = paras järjestelmä kyseisillä arvoprioriteeteilla (w3 = 1 - w1 - w2)",
x = "Paino: ei häviämiskannustinta (w1)",
y = "Paino: ei turhia otteluita (w2)",
fill = "Paras järjestelmä",
caption = "Bayesilainen herkkyysanalyysi. w3 = yleisön seurattavuuden paino."
) +
scale_x_continuous(labels = scales::percent) +
scale_y_continuous(labels = scales::percent) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", color = col_navy),
plot.subtitle = element_text(color = col_blue),
legend.position = "bottom"
)
print(p5)
```
Herkkyysanalyysi paljastaa tärkeän havainnon: **sveitsiläinen järjestelmä on paras suurimmalla osalla arvoprioriteettiyhdistelmistä** — paitsi kun yleisön seurattavuudelle annetaan erittäin suuri paino.
Tämä on IIHF:n todellinen dilemma: sveitsiläinen järjestelmä on teoreettisesti ylivoimainen, mutta se on televisioinnin ja fanien kannalta vaikeammin seurattava.
---
## Johtopäätös: Pistearvo piilottaa rakenteellisen virheen
Jääkiekon MM-kiso-organisaattorit kertovat turnauksesta lukemalla sen tuloksia — voittoja, häviöitä, sijoituksia. Mutta nämä ovat pistearvojen maailmaa.
Todellinen ongelma on rakenteessa:
> **"Maailma on jakauma."** Turnauksen laatu ei ole kiinteä pistemäärä — se on jakauma mahdollisia kannustinrakenteita, joista osa pakottaa rationaaliset toimijat käyttäytymään tavalla, joka on yleisölle, urheilulle ja lajille haitallista.
Monte Carlo -simulaatiomme osoitti, että nykyisessä IIHF-formaatissa noin **joka kolmannessa realistisessa tilanteessa** lohkovoittajalla on rationaalinen kannustin yrittää sijoittua toiseksi tai kolmanneksi. Tämä ei ole marginaalinen erikoistapauksitus — se on osa formaatin normaalia toimintaa.
Peliteoria ei tuomitse joukkueita siitä, että ne laskevat. Se tuomitsee järjestelmän, joka tekee laskemisesta rationaalista.
---
*Kristian Vepsäläinen on datatieteentekijä ja itsenäinen konsultti, joka erikoistuu avoimen datan analyysiin ja bayesilaiseen mallinnukseen. Lue lisää: [kristianvepsalainen.com](https://kristianvepsalainen.com) | Ota yhteyttä: kristian.vepsalainen@proton.me*
*"Maailma on jakauma" — yksittäiset pisteluvut eivät kerro koko totuutta.*
