A loser’s queue existe mesmo?

O que medimos

A loser’s queue é a crença de que, após uma sequência de vitórias, o matchmaking coloca companheiros mais fracos na sua equipe para puxar você de volta para os 50%. Se ela fosse real, deixaria marcas evidentes nas partidas: jogadores em sequência de vitórias perderiam a partida seguinte com mais frequência do que o momento recente prevê, e seus aliados teriam avaliação inferior à dos adversários.

• Construímos um modelo que enxerga apenas o que existe no momento em que a fila chama: o Elo dos dez jogadores, seu momento nos últimos 7 dias e na sessão atual, autofill e duos. Ele não vê campeões nem o draft.
• Nós o treinamos em cerca de 5,1 mi partidas ranqueadas do NA de junho a agosto de 2026 e o testamos em uma semana inédita: de 2 a 9 de setembro, com 563.839 partidas e 5.638.390 participações de jogadores (uma por jogador por partida).
• Para cada participação de jogador, registramos a sequência com que ele entrou na partida, se sua equipe venceu, o que o modelo previa e como seus quatro companheiros foram avaliados em relação aos cinco oponentes, sem contar o próprio jogador.

As sequências continuam. Elas não invertem.

Se houvesse loser’s queue, os grupos em sequência de vitórias cairiam abaixo de 50%. Em vez disso, eles sobem: de 50,4% após uma vitória para 53,0% após cinco ou mais. No lado das derrotas, a taxa quase não varia até atingir cinco derrotas seguidas, quando cai para 48,4%.

A explicação mais simples: um jogador em sequência de vitórias frequentemente joga melhor do que seu Elo atual e continua vencendo até que o Elo o alcance, enquanto um jogador em longa sequência de derrotas está, no momento, jogando pior.

O modelo já previa isso

Em cada grupo de sequência, o resultado real fica a menos de meio ponto percentual da previsão do modelo. O modelo não sabe nada sobre punições ocultas. Ele conhece apenas o momento recente e o Elo dos jogadores, e isso é suficiente para explicar os resultados. Nenhum mecanismo oculto é necessário.

Seus companheiros não pioram após uma sequência de vitórias

Comparamos a avaliação média dos quatro companheiros de equipe com a dos cinco oponentes, excluindo o próprio jogador. Após cinco ou mais vitórias, os companheiros têm avaliação ligeiramente acima dos adversários (+0,126 em nossa escala de avaliação); após cinco ou mais derrotas, ligeiramente abaixo (-0,061). Ambas as diferenças são minúsculas, e nenhuma delas aponta no sentido que a teoria da loser’s queue alega.

Então o que coloca você na equipe mais fraca?

Para cada participação de jogador, medimos duas coisas: a frequência com que a equipe do jogador começou como zebra (menos de 50% antes da seleção de campeões) e quanto disso veio do matchmaking: a avaliação média dos companheiros contra a dos adversários, sem contar o próprio jogador.

• O maior fator é você. Após uma sequência de derrotas, sua equipe é a zebra com mais frequência porque o modelo avalia você mais baixo: suas últimas partidas foram ruins. Seus companheiros não são piores. A parcela do matchmaking quase não muda, e quando muda, é na direção oposta.
• O autofill custa cerca de um ponto percentual de taxa de vitória (49,1% contra 50,1%), e nada compensa isso.
• O melhor jogador do saguão recebe companheiros um pouco mais fracos. O matchmaking equilibra a média das equipes, então os quatro aliados do jogador mais forte têm avaliação ligeiramente inferior. A sensação de ter que carregar toda partida é real. Só é pequena.
• Não existe fila de promoção. Seja a uma vitória da promoção ou a uma derrota do rebaixamento, as chances são as mesmas de qualquer outro momento na divisão.
• Nada mais altera isso: nem a oscilação do seu PDL, nem quantas partidas você jogou na sessão, nem a rapidez com que você volta para a fila.

Jogador por jogador

Analisamos os 194.935 jogadores com 10 ou mais partidas naquela semana. A proporção de partidas em que a equipe de um jogador começou como zebra variou de 31,6% a 68,4% (percentil 10 a 90): maior dispersão do que a sorte isolada produziria, acompanhando principalmente o momento do próprio jogador. A taxa de vitória real de um jogador na primeira metade da semana quase não previu a segunda metade. Ao longo de uma semana, a sorte predomina.

Outros achados da pesquisa

• Cerca de uma em cada cinco partidas ranqueadas (21,2%) tem um favorito real com 60% ou mais antes de qualquer escolha de campeão. Esses favoritos vencem quase exatamente na frequência prevista: aqueles com 70% ou mais venceram 76,4% das vezes.
• O Elo baixo é muito menos equilibrado. Mais da metade dos saguões no Ferro têm um favorito em 60% ou mais, contra 9,4% no Diamante.
• O autofill também não é balanceado entre as equipes. Quando o lado azul tem dois jogadores em autofill a mais do que o vermelho, o azul vence 47,1%; no caso inverso, 52,5%.
• O lado azul geralmente recebe a equipe de menor avaliação (menor PDL médio em 61,3% das partidas) e ainda assim vence cerca de metade das vezes (50,1%).

Qual é a precisão do modelo?

O modelo baseado apenas em jogadores comparado a três previsões mais simples, nas mesmas 563.839 partidas de teste, nas cinco métricas que relatamos para cada modelo (a página de precisão explica cada uma).

Apenas a nossa diferença de avaliação quase não prevê nada (AUC 0,5023): por essa métrica, o matchmaking equilibra as duas equipes de forma quase perfeita. O que o modelo acrescenta é o momento recente; os últimos 7 dias carregam cerca de metade de tudo o que ele sabe.

O que estes dados não conseguem dizer

• Apenas NA, uma semana, um patch. As sequências são contabilizadas dentro das partidas que coletamos de cada jogador, então uma partida que não tenhamos registrado pode dividir uma sequência em duas.
• “Avaliação” é nossa própria estimativa, construída a partir do histórico de partidas. Não é o MMR oculto da Riot e não se trata de uma inspeção no código do matchmaking: mede os saguões conforme eles ocorreram, usando dados públicos.
• São médias obtidas ao longo de milhões de partidas. Uma noite ruim sua ainda pode ser simplesmente uma noite ruim.