← Investigación

¿Cuánto se puede predecir una clasificatoria antes de la selección de campeones?

Publicado el 7 de octubre de 2026 · clasificatoria solo/dúo de NA, 457.284 partidas de prueba del parche 16.18 (septiembre de 2026); EUW y KR como primera lectura

Lo que el modelo puede ver

Todo lo que existe cuando salta la partida, y nada posterior: ningún campeón, ningún bloqueo, nada de la partida en sí.

• El rango y los PL de los diez jugadores, y nuestra propia puntuación, hecha con su historial de partidas.
• Las últimas 50 clasificatorias de cada jugador: si ganó o perdió, cómo rindió, cuánto duraron, cómo le fue en la línea y qué nivel tenían los rivales. Solo partidas que terminaron antes de que empezara esta.
• El rol que le tocó a cada jugador, cuánto de lo que juega últimamente es en ese rol y si fue autofill.
• Los campeones que cada jugador suele usar en ese rol: lo que probablemente elija, nunca lo que eligió.

El modelo se entrenó con parches anteriores y se probó con 457.284 partidas de NA del parche 16.18 que no había visto nunca. Todas las cifras de NA de esta página salen de esas partidas.

Cuántas veces acierta

Las mismas 457.284 partidas de prueba, añadiendo paso a paso más historial de cada jugador, con las cinco medidas que publicamos para todo modelo (la página de precisión explica cada una). Una moneda al aire es un 50% de acierto y un AUC de 0,5.

El rango por sí solo no sirve. La diferencia entre los dos equipos en nuestra propia puntuación no predice al ganador mejor que una moneda (AUC 0,502; las cinco medidas están en el estudio de la cola de perdedores), porque eso es justo lo que el emparejamiento iguala. Casi todo lo que sabe el modelo viene de las partidas recientes de los jugadores. La última fila es el mismo modelo con su confianza corregida en partidas reservadas para eso; las secciones siguientes la usan.

El elo bajo es mucho más predecible

En Hierro el modelo acierta el ganador el 69,4 % de las veces antes de la selección de campeones. En Oro es el 61,6 %, y de Platino para arriba, cerca del 60 %. No hemos comprobado por qué. Una lectura que encaja: un rango dice menos de un jugador cuanto menos asentada está su cuenta, y en los rangos bajos hay más cuentas cuyo rango todavía no alcanza a su nivel real.

Cuando señala un favorito, el favorito gana eso mismo

Un modelo puede acertar a menudo y aun así exagerar lo seguro que está. Este no: las partidas que da por un 60–65% se ganan el 62,3 % de las veces, y el 17,4 % que da por un 70% o más se gana el 77,5 % de las veces. Solo el 26,5 % de las partidas queda a menos de cinco puntos de una moneda al aire.

Igualados en rango, desiguales en forma

Dividimos cada pronóstico en las partes de las que salió. Esto es cuánto de la diferencia entre una partida y otra aporta cada parte:

El rango no explica casi nada, porque el rango es lo que el emparejamiento equilibra, y lo equilibra bien. Lo que queda es lo que un rango tarda demasiado en reflejar: quién viene en racha, quién está en un bache, quién acaba de volver.

«Partidas recientes» hay que leerlo con cuidado. Riot empareja con un MMR oculto que nunca vemos. Las partidas recientes de un jugador son justo donde se notaría una diferencia entre ese MMR y su rango visible, así que parte de esto pueden ser diferencias de MMR que el modelo recupera, y no solo rachas buenas y malas. Con estos datos no se pueden separar las dos cosas.

Los jugadores fuera de rol no se compensan

Un jugador cuenta como fuera de rol cuando el rol que le tocó es menos del 20% de sus partidas recientes. Cuando un equipo tiene más que el otro, se nota en quién gana:

Cada jugador de más fuera de rol le cuesta a un equipo unos tres puntos de winrate, y solo el 37,9 % de las partidas tiene el mismo número en los dos lados.

¿Podrían los mismos diez jugadores haber formado una partida más igualada?

En cada partida mantuvimos a los diez jugadores y sus roles, y le preguntamos al modelo por todas las demás formas de repartirlos en dos equipos. Los dos jugadores de cada rol pueden cambiar de lado, lo que da 32 repartos posibles. Después miramos en qué puesto queda el reparto real.

El reparto real queda en el medio. Es más igualado que la media de los 32 en el 55,3 % de las partidas, y su puesto típico es el 16 de 32. Según lo que este modelo puede ver, el reparto que le tocó a una partida es más o menos tan igualado como un reparto al azar de los mismos diez jugadores.

La tabla muestra qué proporción de las partidas de NA seguiría teniendo un favorito del 60% o más si se hubiera jugado la opción más igualada. «Dúos juntos» nunca separa a dos jugadores que ya han hecho cola juntos; el 71,4 % de las partidas tiene una pareja así.

Sobre el papel, cambiar una sola pareja lleva las partidas desequilibradas del 48,6 % al 4,2 %, o al 10,7 % manteniendo los dúos juntos.

Aquí el modelo se corrige su propio examen, así que léelo como un techo. El más igualado de 32 cálculos sale favorecido, porque algunos repartos solo parecen igualados allí donde el cálculo se equivoca. Esas partidas no se jugaron, así que nadie puede comprobarlas. Y cada condición de más le cuesta tiempo de cola a un emparejamiento real, cosa que esto ignora. Lo que sí muestra la tabla es que la información para detectar una partida desequilibrada existe antes de la selección de campeones.

La mitad de las partidas no puede poner a todos en un rol que conocen

También preguntamos si los diez jugadores podían colocarse de modo que todos jugaran un rol conocido, es decir, al menos el 20% de sus últimas 50 partidas. Solo el 20,3 % de las partidas reales de NA ya lo cumple. Una colocación con todos en rol conocido existe en el 50,2 % de las partidas; en el resto, los roles de los diez jugadores sencillamente no cubren cada posición dos veces. Todos en su rol principal es posible en el 5,7 %. Ese límite lo marca quién está en la partida, no cómo se reparte. Cuando existe una colocación así, elegirla no cuesta casi nada de equilibrio.

EUW y Corea: una primera lectura

El modelo de historial, entrenado solo con NA, puntuó también 18 días de partidas de EUW y Corea. Conoce mucho menos a esos jugadores (de 8 a 10 partidas anteriores cada uno, frente a meses en NA), así que encuentra menos favoritos allí. Eso es un instrumento más débil, no un emparejamiento más justo. Lo que sí se mantiene es la comparación dentro de cada partida: en las tres regiones el reparto real suele ser el 16 de 32. La tabla usa solo el modelo de historial en todas las regiones, NA incluida, por eso su fila de NA queda algo por debajo del modelo completo.

Sigue sin haber cola de perdedores

Repetimos el estudio de la cola de perdedores con este modelo más fuerte y no cambió nada. Tras cinco o más victorias seguidas, los jugadores ganaron su siguiente partida el 53,0 % de las veces; tras cinco o más derrotas, el 47,9 %. El modelo esperaba las dos cosas, y quien va en racha de victorias sigue teniendo compañeros algo más fuertes, no más débiles.

Lo que esto no puede decirte

• Una región a fondo, un parche. NA, parche 16.18. EUW y Corea son una primera lectura de un modelo que no se entrenó con ellas.
• Esto no es el MMR de Riot ni una mirada al interior del emparejamiento. Mide las partidas tal como llegaron, con el historial público. El emparejamiento equilibra algo que no podemos ver, y según nuestra propia puntuación lo equilibra casi a la perfección.
• El modelo lee todas las partidas hasta la que predice, incluidas las anteriores del mismo día. Un sistema que se actualizara una vez al día sabría un poco menos.
• Las preferencias de rol son deducidas de lo que ha jugado cada uno. Los roles para los que hicieron cola no son públicos.
• Aquí no se nombra ni se puntúa a ningún jugador. Cada cifra es una media sobre cientos de miles de partidas; tu partida es un solo sorteo.