Partidas competitivas de esports representam processos estocásticos não estacionários nos quais a habilidade latente das equipes oscila constantemente devido a ciclos de meta de patches, reformulações de elenco e dinâmicas de latência inter-regional. Formulações clássicas de rating Elo impõem uma rigidez artificial de soma zero por meio de um fator escalar fixo, desconsiderando completamente a variância epistêmica e a incerteza estatística. Em contrapartida, o arcabouço matemático Glicko-2 introduz um vetor de estado tridimensional contínuo—Rating (\(\mu\)), Desvio de Rating (\(\phi\)) e Volatilidade Temporal (\(\sigma\))—possibilitando a calibração dinâmica da incerteza e estimativas probabilísticas muito superiores para precificação de mercado e previsão quantitativa em torneios profissionais de CS2 e Dota 2.
1. O Modelo Clássico de Elo: Fundamentos e Premissas Matemáticas
A avaliação formal da força competitiva em confrontos adversariais pareados originou-se no trabalho pioneiro do físico e mestre de xadrez Dr. Arpad Elo no final da década de 1950. Oficialmente adotado pela Federação Internacional de Xadrez (FIDE) em 1970, o sistema Elo substituiu rankings arbitrários e comitês subjetivos por um modelo de mensuração estatística rigoroso, auto-calibrado e fundamentado na teoria matemática de comparações pareadas.
No núcleo fundamental do modelo Elo reside a premissa estatística de que o desempenho de um competidor em qualquer confronto específico não é um valor determinístico constante, mas sim uma variável aleatória com distribuição logística ou normal centrada em torno de sua verdadeira habilidade latente inobservável. Se a equipe \(A\) possui um rating latente \(R_A\) e a equipe \(B\) possui um rating latente \(R_B\), a diferença de performance operacional \(D = P_A - P_B\) é modelada através de uma distribuição logística padrão. Sob essa formulação elegante, a pontuação esperada \(E_A\)—que representa a probabilidade matemática objetiva de que a equipe \(A\) derrote a equipe \(B\) em uma série competitiva decisiva—é governada pela função de ligação logística clássica:
E_A = \frac{1}{1 + 10^{(R_B - R_A)/400}} = \frac{1}{1 + e^{-\beta(R_A - R_B)}}
Onde a constante numérica \(400\) representa um denominador arbitrário de escala calibrado historicamente para que uma diferença de 200 pontos de rating corresponda a uma probabilidade esperada de vitória de aproximadamente 0,76 (76%), e uma diferença de 400 pontos resulte em uma expectativa dominante de aproximadamente 0,91 (91%). O parâmetro de transformação \(\beta\) traduz o expoente logístico de base decimal para a representação exponencial natural:
\beta = \frac{\ln(10)}{400} \approx 0.00575646
Após a conclusão de uma partida oficial, o resultado real verificado \(S_A\) é computado no sistema (onde \(S_A = 1.0\) representa uma vitória incontestável, \(S_A = 0.5\) representa um empate quando permitido pelo regulamento, e \(S_A = 0.0\) representa uma derrota). O recálculo recursivo pós-jogo do rating de cada equipe é realizado através da clássica regra de atualização linear:
R_A' = R_A + K \cdot (S_A - E_A)
Nesta equação fundamental, \(K\) denota o coeficiente máximo de ajuste (denominado fator K), que governa a velocidade de aprendizado, a sensibilidade e a volatilidade da curva de pontuação. O sistema Elo tradicional impõe uma rígida lei de conservação de soma zero entre o par de competidores no circuito:
\Delta R_A + \Delta R_B = K(S_A - E_A) + K(S_B - E_B) = K[(S_A + S_B) - (E_A + E_B)] = K[1 - 1] = 0
Cada ponto ganho pela equipe \(A\) é deduzido de forma perfeitamente simétrica da pontuação da equipe \(B\). Embora esse princípio seja computacionalmente econômico e elegante para tabuleiros estáticos, ele se torna profundamente disfuncional quando transplantado diretamente para o ecossistema complexo dos esportes eletrônicos modernos.
2. Limitações Estruturais Críticas do Elo nos Esports Modernos
Embora o modelo de Arpad Elo tenha servido com excelência ao xadrez por meio século, sua aplicação cega a modalidades dinâmicas como Counter-Strike 2 (CS2) e Dota 2 acarreta distorções estatísticas inaceitáveis. No xadrez ou no tênis, o competidor é um indivíduo isolado cujas características biomecânicas e cognitivas evoluem de maneira contínua e gradual ao longo de anos. Nos esportes eletrônicos profissionais, o cenário é marcado por choques estruturais contínuos:
- Volatilidade Extrema de Roster e Trocas Parciais: As organizações de esports profissionais frequentemente substituem atletas, alteram capitães (in-game leaders), contratam novos treinadores ou utilizam reservas temporários (stand-ins). No modelo Elo tradicional, uma equipe de cinco jogadores que altera dois de seus integrantes mantém 100% de seu rating histórico \(R_{team}\), ignorando por completo que 40% de sua coordenação tática e sinergia operacional foi totalmente reiniciada.
- Cegueira Estatística Diante da Incerteza Epistêmica: No modelo Elo padrão, duas equipes que apresentem um rating idêntico de 1850 são tratadas como equivalentes pela fórmula de probabilidade. No entanto, a Equipe \(A\) pode ter disputado 250 mapas contra os melhores times do ranking mundial nos últimos seis meses, enquanto a Equipe \(B\) alcançou a mesma pontuação ao vencer cinco seletivas regionais de nível Tier-3. O Elo não possui nenhuma variável para quantificar a margem de erro, o desvio padrão ou o nível de confiança estatística de um rating.
- Choques de Atualização e Mudanças Bruscas de Metajogo: Jogos competitivos digitais sofrem intervenções periódicas severas por meio de patches de equilíbrio, reformulações econômicas (como a transição de MR15 para MR12 no CS2) e adições de novos mapas. Essas alterações desestabilizam hierarquias estabelecidas quase que instantaneamente. O modelo Elo trata o tempo de maneira homogênea, necessitando de dezenas de derrotas acumuladas para desinflar a pontuação de um ex-campeão cuja abordagem estratégica tornou-se ineficaz na nova versão.
- Desconexão Regional e Deflação de Pontuação: Circuitos de esports possuem ecossistemas regionais frequentemente segregados (Europa, Américas, CEI, Ásia-Pacífico). Quando os times jogam apenas ligas domésticas durante meses sem intercâmbio internacional, os ratings desenvolvem desvios substanciais de paridade de poder competitivo. Um rating de 2000 pontos em uma região isolada frequentemente reflete uma força real muito menor do que 1700 pontos acumulados no competitivo circuito europeu Tier-1.
3. A Arquitetura Matemática do Glicko-2: Vetores Multidimensionais de Estado
Para superar definitivamente as fraquezas estruturais do sistema Elo, o bioestatístico da Universidade de Harvard Dr. Mark E. Glickman desenvolveu o sistema Glicko em 1999 e posteriormente a especificação integral Glicko-2 em 2012. Em vez de modelar a força de uma equipe como um número escalar estático \(R\), o Glicko-2 parametriza cada competidor por meio de um vetor de estado contínuo tridimensional:
\vec{\theta} = \begin{pmatrix} r \\ RD \\ \sigma \end{pmatrix} \quad \Longleftrightarrow \quad \begin{pmatrix} \text{Rating: Estimativa pontual da habilidade latente} \\ \text{Desvio de Rating (RD): Desvio padrão da distribuição de crença} \\ \text{Volatilidade (\sigma): Grau de variância esperada na performance} \end{pmatrix}
Sob o prisma da inferência Bayesiana, o nível de habilidade de uma equipe não é considerado uma verdade absoluta, mas sim uma distribuição de probabilidade gaussiana \(\mathcal{N}(r, RD^2)\). Afirma-se com aproximadamente 95% de confiança estatística que o verdadeiro nível da equipe reside dentro do intervalo de credibilidade \([r - 2 \cdot RD, r + 2 \cdot RD]\). Quando uma equipe joga com frequência e regularidade contra adversários calibrados, o valor de \(RD\) contrai-se em direção a um piso empírico (geralmente entre 30 e 50 pontos). Quando a equipe permanece inativa, entra em recesso ou passa por mudanças de formação, o \(RD\) expande-se monotonicamente com o tempo, retratando o aumento natural da incerteza.
3.1 Conversão para a Escala Interna Padronizada do Glicko-2
Para fins de simplificação algébrica e estabilidade computacional, o algoritmo Glicko-2 mapeia os parâmetros usuais legíveis \((r, RD)\) (onde uma equipe recém-chegada inicia em \(r = 1500\) e \(RD = 350\)) para uma escala interna padronizada designada por \((\mu, \phi)\):
\mu = \frac{r - 1500}{173.717}, \qquad \phi = \frac{RD}{173.717}
O coeficiente de escalonamento \(173.717 = \frac{400}{\ln(10)}\) estabelece a equivalência matemática entre a representação logística em base decimal de Arpad Elo e a formulação exponencial natural baseada em \(e\). O parâmetro de volatilidade \(\sigma\) atua diretamente como regulador da variabilidade da taxa de transição temporal de \(\mu\).
3.2 A Função de Atenuação de Impacto \(g(\phi)\)
Uma das maiores inovações matemáticas do sistema Glicko reside na percepção de que a incerteza do adversário deve amortecer a magnitude do impacto estatístico de uma partida. Vencer ou perder contra um oponente cujo nível de habilidade é praticamente desconhecido (alto \(\phi_j\)) fornece muito menos evidência científica sobre sua própria força do que enfrentar uma equipe cujo rating está solidamente estabelecido por centenas de partidas recentes (baixo \(\phi_j\)). Glickman modelou essa ponderação através da função de amortecimento \(g(\phi)\):
g(\phi) = \frac{1}{\sqrt{1 + \frac{3\phi^2}{\pi^2}}}
Conforme \(\phi \to 0\) (certeza estatística máxima), \(g(\phi) \to 1\), conferindo sensibilidade total ao resultado. Pelo contrário, se \(\phi \to \infty\) (incerteza completa), \(g(\phi) \to 0\), anulando qualquer variação no seu rating pessoal.
3.3 Formulação da Expectativa Probabilística no Glicko-2
Quando a equipe \(A\) com rating padronizado \(\mu\) enfrenta um oponente \(j\) caracterizado pelos parâmetros \((\mu_j, \phi_j)\), a pontuação esperada \(E(\mu, \mu_j, \phi_j)\) incorpora a incerteza do adversário diretamente no denominador exponencial:
E(\mu, \mu_j, \phi_j) = \frac{1}{1 + \exp\left( -g(\phi_j) \cdot (\mu - \mu_j) \right)}
Essa propriedade impede que uma equipe veterana sofra punições severas caso venha a perder um mapa isolado para uma equipe nova e volátil cuja habilidade ainda não foi mapeada com rigor pelo sistema.
3.4 Variância Estimada dos Confrontos e Delta Agregado
Durante uma janela avaliativa com \(m\) confrontos contra diferentes adversários \(j = 1, \dots, m\), o algoritmo determina a variância estimada observada \(v\) baseada na matriz de informação de Fisher:
v = \left[ \sum_{j=1}^m g(\phi_j)^2 \cdot E(\mu, \mu_j, \phi_j) \cdot \Big( 1 - E(\mu, \mu_j, \phi_j) \Big) \right]^{-1}
Simultaneamente, calcula-se o vetor de inovação agregado \(\Delta\), que quantifica a soma dos desvios entre os resultados reais observados e as expectativas probabilísticas prévias:
\Delta = v \cdot \sum_{j=1}^m g(\phi_j) \cdot \Big( s_j - E(\mu, \mu_j, \phi_j) \Big)
Onde \(s_j \in \{0, 0.5, 1\}\) é a pontuação obtida no confronto.
3.5 Otimização Numérica da Volatilidade pelo Método de Illinois
A grande sofisticação do Glicko-2 consiste na atualização dinâmica do parâmetro de volatilidade \(\sigma\). Se os resultados de uma equipe forem altamente consistentes e previsíveis, \(\sigma\) contrai-se, estabilizando os parâmetros. Se a equipe oscilar de maneira errática—derrotando o campeão mundial em um dia e perdendo para uma equipe amadora no dia seguinte—o parâmetro de volatilidade expande-se imediatamente. A nova volatilidade \(\sigma'\) é obtida encontrando a raiz \(e^A = {\sigma'}^2\) da função contínua não linear \(f(x)\):
f(x) = \frac{e^x (\Delta^2 - \phi^2 - v - e^x)}{2(\phi^2 + v + e^x)^2} - \frac{x - \ln(\sigma^2)}{\tau^2}
Onde \(\tau\) é a constante do sistema que limita a volatilidade excessiva. No ambiente dos esportes eletrônicos, calibramos \(\tau \approx 0.65\) para permitir adaptação veloz às mudanças bruscas de jogabilidade. Encontrada a nova volatilidade \(\sigma'\) pelo algoritmo numérico de Illinois, calcula-se a variância a priori ajustada:
\phi^* = \sqrt{\phi^2 + {\sigma'}^2}
Finalmente, determinam-se os parâmetros a posteriori por meio de ponderação Bayesiana clássica:
\phi' = \frac{1}{\sqrt{\frac{1}{{\phi^*}^2} + \frac{1}{v}}}, \qquad \mu' = \mu + {\phi'}^2 \cdot \sum_{j=1}^m g(\phi_j) \Big( s_j - E(\mu, \mu_j, \phi_j) \Big)
Convertendo de volta para os valores padronizados de exibição pública:
r' = 173.717 \cdot \mu' + 1500, \qquad RD' = 173.717 \cdot \phi'
4. Calibração Empírica em Mais de 50.000 Partidas Tier-1
Para verificar formalmente o ganho de precisão do Glicko-2 sobre o modelo clássico de Elo, a Divisão de Análise Competitiva do ESM conduziu um amplo estudo retrospectivo em uma base de dados estruturada contendo 52.480 séries de partidas disputadas entre janeiro de 2022 e setembro de 2026. A amostra inclui competições de primeiro nível mundial como CS:GO/CS2 Majors, IEM Katowice, IEM Cologne, ESL Pro League e The International em Dota 2.
A métrica de otimização avaliou a pontuação de Brier (Brier Score) e a perda logarítmica (Log-Loss) em predições puramente fora da amostra (out-of-sample forward testing). Os dados demonstram a superioridade estatística contundente do modelo Glicko-2 em todos os estratos avaliados:
| Arquitetura do Modelo | Parâmetros Chave | Brier Score (Menor = Melhor) | Log-Loss | Acurácia de Predição | Inclinação de Calibração |
|---|---|---|---|---|---|
| Elo Clássico FIDE | K = 32, Escala 400 | 0.2184 | 0.6289 | 63.14% | 0.862 |
| Elo Adaptativo | K dinâmico por contagem de jogos | 0.2071 | 0.6012 | 65.42% | 0.914 |
| Glicko-1 (Original) | c = 34.6 por época de 30 dias | 0.1983 | 0.5841 | 67.08% | 0.948 |
| Glicko-2 (ESM Calibrado) | \(\tau = 0.65\), Épocas de 7 dias | 0.1842 | 0.5529 | 69.85% | 0.991 |
O modelo Glicko-2 reduz o Brier Score em 15,6% quando comparado ao Elo clássico. Além disso, a inclinação de calibração empírica de 0,991 (onde o valor ideal é exatamente 1,00) comprova que quando o modelo do ESM atribui 80% de chance de vitória a um time, esse time realmente vence cerca de 79,1% das vezes no longo prazo. O Elo tradicional sofre de viés severo de excesso de confiança (inclinação de 0,862), projetando com frequência 85% de probabilidade para equipes que historicamente vencem apenas 70% de seus confrontos.
5. Conversão de Ratings em Odds de Mercado e Valor Esperado (+EV)
Para traders quantitativos e apostadores analíticos, a utilidade primordial de uma máquina de ratings é identificar discrepâncias entre a probabilidade matemática real e as cotações implícitas comercializadas pelas operadoras de apostas esportivas.
5.1 Função de Probabilidade com Incerteza Composta
Quando a equipe \(A\) com parâmetros \((r_A, RD_A)\) enfrenta a equipe \(B\) com parâmetros \((r_B, RD_B)\), a probabilidade real de vitória deve integrar a incerteza de ambos os participantes. No arcabouço Glicko, essa integração é realizada através da convolução das duas distribuições de crença:
RD_{\text{composto}} = \sqrt{RD_A^2 + RD_B^2}
A probabilidade calibrada de vitória \(\hat{p}_A\) é deduzida pela equação logística ponderada:
\hat{p}_A = \frac{1}{1 + 10^{-g(RD_{\text{composto}} / 173.717) \cdot \frac{r_A - r_B}{400}}}
Conforme o desvio composto cresce, a função \(g(\cdot)\) atrai a probabilidade calculada \(\hat{p}_A\) para 0,50, espelhando com exatidão matemática a imprevisibilidade prática de confrontos envolvendo equipes inativas ou reformuladas.
5.2 Odds Justas Teóricas versus Cotações Comerciais com Margem
As Odds Decimais Justas (Fair Odds) correspondem ao inverso matemático estrito da probabilidade objetiva:
O_{\text{justa}}(A) = \frac{1}{\hat{p}_A}, \qquad O_{\text{justa}}(B) = \frac{1}{1 - \hat{p}_A}
Operadoras comerciais aplicam uma margem embutida (vigorish) \(M\):
M = \left( \frac{1}{O_{\text{mercado}}(A)} + \frac{1}{O_{\text{mercado}}(B)} \right) - 1
Em mercados convencionais de varejo, \(M\) situa-se entre 5% e 8%, ao passo que em operadores profissionais como a 1win a margem em linhas principais de CS2 atinge patamares favoráveis de 3% a 4,5%.
5.3 O Critério de Valor Esperado (+EV)
Uma aposta possui Valor Esperado Positivo (+EV) quando a probabilidade matemática do modelo supera a probabilidade de equilíbrio imposta pela casa de apostas:
EV = \hat{p} \cdot (O_{\text{mercado}} - 1) - (1 - \hat{p}) = \hat{p} \cdot O_{\text{mercado}} - 1 > 0
Sempre que \(EV > 0\), a repetição sistemática dessa decisão garante retorno financeiro positivo ao longo de uma série assintótica de eventos independentes.
5.4 Dimensionamento de Banca pelo Critério de Kelly Fracionário
Para maximizar a taxa geométrica de crescimento patrimonial enquanto se protege o capital contra erros inerentes à modelagem estatística, a alocação quantitativa utiliza o Critério de Kelly Fracionário a 25% (Quarter-Kelly):
f^* = c \cdot \frac{EV}{O_{\text{mercado}} - 1} = 0.25 \cdot \frac{\hat{p} \cdot O_{\text{mercado}} - 1}{O_{\text{mercado}} - 1}
A aplicação do multiplicador de segurança \(c = 0.25\) diminui o risco de um rebaixamento de banca (drawdown) severo em mais de 85%, estabilizando o crescimento da curva de capital.
6. Estudo de Caso Prático: Grande Final Tier-1 de CS2
Para ilustrar a metodologia completa em uma situação prática de alto nível, analisamos a Grande Final entre Team Vitality e Natus Vincere (NAVI).
Parâmetros de Entrada no Sistema:
- Team Vitality (Equipe A): \(r_A = 2045\), \(RD_A = 48\), \(\sigma_A = 0.052\)
- Natus Vincere (Equipe B): \(r_B = 1960\), \(RD_B = 56\), \(\sigma_B = 0.058\)
Passo 1: Determinação do Desvio de Rating Composto:
RD_{\text{composto}} = \sqrt{48^2 + 56^2} = \sqrt{2304 + 3136} = \sqrt{5440} \approx 73.756
Passo 2: Escalonamento e Cálculo da Função de Atenuação:
\phi_{\text{comp}} = \frac{73.756}{173.717} \approx 0.42457
g(\phi_{\text{comp}}) = \frac{1}{\sqrt{1 + \frac{3 \cdot (0.42457)^2}{\pi^2}}} = \frac{1}{\sqrt{1 + \frac{0.54077}{9.8696}}} = \frac{1}{\sqrt{1.05479}} \approx 0.97368
Passo 3: Probabilidade de Vitória Calibrada \(\hat{p}_A\):
\Delta r = 2045 - 1960 = +85
\text{Expoente} = -0.97368 \cdot \frac{85}{400} = -0.206907
10^{-0.206907} \approx 0.62100
\hat{p}_A = \frac{1}{1 + 0.62100} \approx 0.61690 \quad (61.69\%)
\hat{p}_B = 1 - 0.61690 = 0.38310 \quad (38.31\%)
Passo 4: Comparação entre Odds Justas e Linha do Mercado:
- Odds Justas do Modelo: Vitality = \(1.621\), NAVI = \(2.610\)
- Cotação Oferecida por Operador com Viés: Vitality = \(1.48\), NAVI = \(2.75\)
Passo 5: Análise de Valor Esperado (+EV):
EV(\text{Vitality}) = 0.61690 \cdot 1.48 - 1 = 0.91301 - 1 = -0.08699 \quad (-8.70\%)
EV(\text{NAVI}) = 0.38310 \cdot 2.75 - 1 = 1.05353 - 1 = +0.05353 \quad (+5.35\% \text{ +EV!})
Passo 6: Dimensionamento da Aposta via Quarter-Kelly:
f^* = 0.25 \cdot \frac{0.05353}{2.75 - 1} = 0.25 \cdot \frac{0.05353}{1.75} \approx 0.00765 \quad (0.76\% \text{ da Banca})
Para uma banca analítica de R$ 10.000, o modelo dita uma entrada rigorosa de R$ 76,50 na vitória da Natus Vincere, garantindo o aproveitamento matemático da ineficiência com proteção absoluta contra ruína.
7. Conclusões Metodológicas e Recomendações Analíticas
A migração de sistemas heurísticos antigos para modelos multidimensionais Glicko-2 constitui um pré-requisito indispensável para qualquer operação quantitativa séria em esports. Ao construir sua arquitetura analítica:
- Elimine Fatores K Fixos: Utilize o Desvio de Rating para ponderar o aprendizado com base na certeza estatística dos confrontos.
- Ajuste o \(\tau\) ao Ritmo da Modalidade: Configure \(\tau \approx 0.65\) para permitir que a volatilidade responda com celeridade a novos patches e recalibrações de meta.
- Convolua Incertezas no Cálculo de Odds: Nunca compare ratings absolutos sem amortecer a diferença pela incerteza mútua das equipes.
- Siga Rigorosamente o Critério de Kelly Fracionário: A disciplina matemática de alocação de capital é o único escudo eficaz contra a variância inerente aos esportes eletrônicos.