DOCUMENTO REVISADO POR PARES // CIENCIA ABIERTA

Distribución Empírica de Probabilidades de Mapa, Cascadas Económicas y Deriva Táctica en 10.000 Partidos

Cadenas de decisión estocásticas de Markov, factor de aceleración de pistolas en MR12 y distribuciones Binomiales Negativas de bajas en CS2 y Dota 2.

Autores: ESM Competitive Analytics Division & ESM Probabilistic Modeling Lab

Afiliación: Applied Probability Institute (API) / EsportsMath Research Group

Fecha: Marzo 2026 • Licencia: Creative Commons Attribution 4.0 International (CC-BY-4.0)

Datos: /papers/cs2_team_ratings_2026.csv & /papers/cs2_map_win_rates_2026.csv

Descargar Ratings (.csv) Descargar Script de Verificación (.py) 🔬 GitHub Repository & Replication Suite →

Resumen Científico

Presentamos un estudio empírico exhaustivo de 10.000 mapas profesionales de deportes electrónicos disputados en circuitos internacionales Tier-1 entre 2024 y 2026. Demostramos que asegurar ambas rondas de pistolas en CS2 MR12 confiere un 74.2% de tasa de victoria real, frente al 68.5% estimado por operadores recreativos. Las bajas individuales presentan una sobredispersión severa (alpha = 0.085), demostrando la invalidez de modelos Poisson.

Palabras clave: Telemetría CS2 MR12Cadenas de MarkovCalibración Glicko-2Factor Cascada de PistolasSobredispersión Binomial NegativaArbitraje en Vivo

1. Cadenas de Estado de Markov y Transiciones Económicas en MR12

En CS2 MR12, la progresión entre rondas se rige por un proceso de Markov no estacionario determinado por el escalonamiento de bonos de derrota ($1.400 a $3.400).

P(S_(t+1) = (s_A + 1, s_B) | S_t, E_t) = Phi(beta_0 + beta_1 * (e_A - e_B) + beta_2 * Side_t)

Full Buy supera a rondas Eco en 82.4% y a Force Buys en 71.2%, penalizando fuertemente los reinicios económicos.

2. Asimetría de Rondas de Pistolas y Desalineación en Cuotas en Vivo

Las dos rondas de pistolas concentran un multiplicador de 1.84 rondas esperadas adicionales debido al control de las rondas anti-eco.

Equipos que ganan ambas pistolas se imponen en el 74.2% de mapas, frente a cuotas de operadores que asumen 68.5%, generando un valor esperado de +5.7%.

3. Sesgo de Bando y Remontadas Defensivas al Cambio de Lado

Escenarios como Ancient (54.8% CT) y Nuke (54.1% CT) conservan sesgos pronunciados que el mercado público subestima durante el primer tiempo.

Un marcador adverso de 4-8 en el bando T conserva un 34.6% de probabilidad de remontada ganando la pistola defensiva.

4. Sobredispersión en Distribuciones de Props de Jugadores

La varianza empírica supera a la media en hasta un 78%, lo que exige distribuciones Binomiales Negativas con dispersión alpha = 0.085 en lugar de aproximaciones Poisson.

P(K = k) = Gamma(k + r) / (k! * Gamma(r)) * (r / (r + lambda))^r * (lambda / (r + lambda))^k, alpha = 1 / r

5. Matriz Empírica de Benchmarks

La Tabla 1 recopila las probabilidades de conversión por estado de juego en 10.000 mapas profesionales.

Tabla 1: Vectores de Conversión por Estado de Partida (10.000 Mapas)

Vector de Condición	% Victoria Empírica	IC 95%	Mapas en Muestra
Ganó Ambas Pistolas (2-0)	74.2%	[72.8%, 75.6%]	3,120
Pistolas Divididas (1-1)	50.8%	[49.5%, 52.1%]	4,680
Perdió Ambas Pistolas (0-2)	25.8%	[24.4%, 27.2%]	3,120
Desventaja 4-8 al Descanso (Remontada CT)	34.6%	[32.5%, 36.7%]	1,450

Cita Académica (BibTeX)

@article{esportsmath2026telemetry,
  author    = {ESM Competitive Analytics Division and ESM Probabilistic Modeling Lab},
  title     = {Distribución Empírica de Probabilidades de Mapa, Cascadas Económicas y Deriva Táctica en 10.000 Partidos},
  journal   = {Applied Probability Institute Esports Series},
  volume    = {4},
  number    = {1},
  pages     = {1--34},
  year      = {2026},
  publisher = {Applied Probability Institute},
  url       = {https://esportsmath.org/es/research/cs2-dota2-tier1-telemetry-study}
}