Eftersom jag förstått att många av er där ute får utslag på halsen när man börjar diskutera matematik tänker jag vara gentil i överkant idag och skippa det helt och hållet. Det räcker kanske för dig att veta att maskinen använder sig av Monte Carlo-metoden där indatan baseras på min Elo-ranking, med ett litet tillägg för hur bra jag tycker lagens silly har gått (i storleksordningen +/- 2%) och där hemmalaget har en liten hemmaplansfördel. Detta kombineras med en Poisson-fördelad stokastisk variabel. Låter väl kul? Det kanske var för mycket ändå. Blueprint finnes iallafall för den som är hugad.

Men okej. Hur som helst simulerade jag resultatet i varje match, varje säsong 1000 gånger. Efter grundserien lät jag ettan möta åttan, och fyran möta femman på ena sidan slutspelsträdet. På den andra sidan möttes tvåan och sjuan samt trean och sexan. Först till fyra segrar, förutom finalen, precis som på riktigt.

Nedan ser ni resultatet, rangordnat efter poängsnitt i grundserien. För varje lag presenteras också den frekvens med vilken laget ifråga gick till slutspel, åkte ur eller tog hem hela skiten:

I genomsnitt krävs 41 poäng för att bli åtta och nå slutspel, och 27 poäng för tolfteplatsen ovanför nedflyttning. Det finns fyra ganska tydliga skikt i serien:

Vi kan se ett rejält glapp mellan tvåan Falun och trean Mullsjö, samt ett lika stort mellan sexan Pixbo och sjuan Dalen. Jag tror att detta är ganska rimligt, även om den inbördes ordningen mellan lagen kan skilja något. Fyra, fem lag slåss om de två sista slutspelsplatserna men kommer med stor sannolikhet inte vara indragna i bottenstriden. Örebro och Lindås är överrepresenterade i nedflyttningskolumnen, men Helsingborg, Höllviken och Kalmarsund blir indragna där oftare än att det ska gå att vifta bort som statistiska anomalier.

Storvreta tar guld, och av 1000 simulerade säsonger vann Storvreta alltså 535 stycken. Det är rätt många. Lindås och Örebro åker ut med mycket stor sannolikhet. Som den perceptivt begåvade redan noterat finns det en del statistiskt avvikande siffror vilket till stor del beror på att jag ”bara” lät modellen köra 1000 iterationer, så visst finns det förbättringspotential. Men även jag har annat att göra. Ibland.

Vad tror ni? Hur rätt träffar min modell?