Estado del buyback: quién puede volver y cuándo
Un carry muerto y un carry sin recompra describen hechos diferentes. El primero está temporalmente ausente. El segundo carece de una opción concreta de regreso. Mezclarlos genera un mal modelo de final de partida: una pelea perdida se convierte en recompra supuesta, esa recompra en dieback y el dieback en derrota segura. Registra cada transición por separado. Ninguno de esos pasos se deduce automáticamente del anterior, y una retransmisión incompleta no permite inventar los datos que faltan.
La pregunta útil antes de un asedio es específica: si este héroe muere ahora, ¿puede recomprar y llegar a una posición relevante? El número total de recompras del equipo no responde por sí solo. Perder esa opción en un iniciador puede importar de manera distinta que perderla en un héroe de daño o en un apoyo con una protección importante. La identidad del héroe debe figurar en la descripción del estado.
Define la disponibilidad mediante observaciones
Escribe la disponibilidad del héroe i como Aᵢ = Eᵢ Y Cᵢ = 0 Y Gᵢ ≥ Bᵢ. E representa la elegibilidad según las reglas activas, C la recarga restante, G el oro utilizable en ese instante y B el coste mostrado. La expresión es una lista de comprobación del modelo; no sustituye al cliente. Un saldo antiguo o una recarga sin confirmar hacen incierto el resultado. Registra esa incertidumbre sin completar la casilla con recuerdos de otro parche.
Solo como ejercicio aritmético, elige B = 200 + floor(N/13), donde N es el valor neto. Para N = 34.000, la función elegida produce 2.815 de oro. Partir de 4.800 y gastar 3.000 deja 1.800, por debajo del umbral del ejemplo. La compra importa aunque el patrimonio total apenas cambie. El ejercicio no establece la fórmula del parche actual, su redondeo ni el tratamiento del oro después de morir. Esos detalles necesitan evidencia actual de la partida.
Comprueba el umbral después del evento relevante. El oro anterior a una compra no demuestra que haya suficiente después. El saldo anterior a una muerte tampoco determina el posterior. Distingue hechos registrados de cambios proyectados, incluidos los ingresos durante la espera. Un colchón adicional elegido por el analista puede ayudar al seguimiento, pero no constituye una regla oficial de elegibilidad ni un descuento porcentual universal sobre el valor del héroe.
Un modelo pequeño puede ocultar información esencial
Dos héroes seguidos mediante indicadores binarios producen cuatro combinaciones: 11, 10, 01 y 00. Agrupar 10 y 01 como “una recompra” elimina información cuando los héroes realizan tareas distintas. Entre dos equipos existen dieciséis combinaciones conjuntas antes de añadir vida, posiciones, recargas o edificios. Sigue siendo una simplificación. Al menos muestra sus límites en lugar de presentar un resumen de tres estados como descripción completa de la partida.
La hipótesis de Markov exige que el estado actual elegido contenga información suficiente para describir las probabilidades de la siguiente transición. Llamar máquina de estados a una hoja de cálculo no demuestra esa condición. Dos posiciones con idénticos indicadores pueden tener futuros diferentes si una tiene estructuras expuestas y la otra conserva las líneas protegidas. Incluye esas diferencias, condiciona la transición o reconoce la información omitida. Un diagrama limpio no resuelve una variable ausente.
Árbol de asedio con supuestos explícitos
Considera un ataque hipotético. Supón una probabilidad de 0,55 de ganar la primera pelea. Condicional a esa victoria, los defensores recompran con probabilidad 0,85. Condicional a ambos sucesos, los atacantes ganan la nueva pelea con probabilidad 0,40. Las cuatro probabilidades son 0,55 × 0,15 = 0,0825; 0,55 × 0,85 × 0,40 = 0,187; 0,55 × 0,85 × 0,60 = 0,2805; y 0,45. Su suma es uno.
Las ramas representan victoria inicial sin recompra defensiva, victoria inicial seguida de nueva pelea ganada, victoria inicial seguida de nueva pelea perdida y derrota inicial. No identifican quién recompró ni confirman que cayó un edificio. En particular, no usar la recompra no significa que estuviera indisponible. La decisión puede reflejar posicionamiento, retirada planeada, objetivo ya perdido o información ajena al modelo. Añade observaciones antes de asignar un nuevo estado de disponibilidad.
El dieback es peligroso, pero no es absorbente
Morir después de recomprar puede dejar a un héroe fuera de una defensa importante. No convierte la posición en matemáticamente terminal. El héroe puede reaparecer; los rivales pueden carecer de daño, creeps o tiempo; los aliados pueden limpiar oleadas y provocar una retirada. En un modelo absorbente, ese estado corresponde al resultado definitivo del encuentro. Una muerte sigue siendo recuperable mientras la partida no termine. No atribuyas una tasa fija de derrotas profesionales al dieback sin una muestra documentada.
El desplazamiento y el tiempo para atacar objetivos explican por qué indicadores iguales importan de manera distinta. Compara la ruta observada, el teletransporte disponible y la llegada prevista con la capacidad rival para alcanzar y dañar edificios. El defensor no vuelve necesariamente de inmediato a la pelea; el atacante tampoco tiene que cruzar todo el mapa andando. Usa posiciones y habilidades actuales. La recarga del buyback y el reaparecimiento de Roshan empiezan en eventos distintos: duraciones nominales similares no sincronizan sus relojes.
Pon precio al escenario y cuestiona su probabilidad
Imagina una cuota completamente hipotética de +350 americana, equivalente a 4,50 decimal. Una probabilidad supuesta de 0,34 da un beneficio esperado de 0,34 × 4,50 − 1 = 0,53 por unidad. Con 0,26, el resultado es 0,17; con 0,20, es −0,10. El equilibrio está en 1/4,50, aproximadamente 22,22%. Observar recompras puede cambiar una estimación, pero esa observación no proporciona por sí sola una probabilidad calibrada del 34%. La sensibilidad es la parte esencial del ejercicio.
Organiza el registro alrededor de compras, muertes, uso de recompra, recarga restante y elegibilidad observados. Señala la información que no muestra la retransmisión. Comprueba si esos campos mejoran predicciones posteriores frente a un modelo sencillo de oro y edificios. Si no lo hacen, revisa el método. Aquí no se afirma conocer las variables propietarias de una casa de apuestas ni su velocidad de reacción.
Comprueba qué información estaba disponible
En una evaluación en directo, coloca el reloj de la partida junto a la hora en que recibiste la información. La retransmisión, el marcador público y la cuota disponible pueden describir momentos distintos. Registra la fuente de cada observación y conserva como desconocido lo que no has confirmado. Si el precio ya incorpora una pelea que el vídeo todavía no muestra, el cálculo basado en ese vídeo evalúa un estado anterior. Incluso los datos que cambian despacio requieren esta comprobación: un jugador puede gastar oro, cambiar de posición o perder un objetivo entre actualizaciones.
Guarda un registro breve de la decisión: evento y mapa, reglamento, alineación, estado relevante, intervalo de probabilidad, cuota y hora de observación. Escribe el motivo antes del resultado. Incluye las oportunidades descartadas, porque estudiar únicamente las apuestas realizadas oculta errores de selección. Una revisión útil pregunta qué observación habría cambiado la decisión y si estaba disponible entonces. Una explicación creada después de ganar no equivale a un pronóstico registrado antes de conocer el desenlace.
Pon a prueba la estimación y la decisión de pasar
El beneficio esperado por unidad a cuota decimal O es p × O − 1 cuando la apuesta solo tiene resultados de victoria y derrota. Las reglas de liquidación pueden añadir devoluciones, anulaciones o pagos parciales. Revísalas antes de utilizar esa ecuación. La probabilidad de equilibrio es 1/O. Eliminar el overround de las cuotas genera una referencia de mercado bajo un método elegido de reparto del margen. No revela la probabilidad verdadera. La discrepancia con esa referencia necesita evidencia independiente que sostenga la estimación.
Evalúa con partidas posteriores los parámetros ajustados con las anteriores. Divide los datos por evento o fecha, sin distribuir observaciones de una misma partida entre entrenamiento y evaluación. De otro modo el modelo puede reconocer un encuentro que ya ha visto indirectamente. Comprueba calibración, calidad de las probabilidades y retornos realizados con su incertidumbre, teniendo en cuenta cambios de parche y plantilla. El movimiento de la cuota de cierre es otro diagnóstico, pero una variación favorable no demuestra probabilidades correctas ni rentabilidad duradera. Si un supuesto alternativo razonable invierte el valor esperado, pasar es una decisión completa. Reducir la apuesta modifica la exposición; no arregla una probabilidad defectuosa.
Modelos y lecturas relacionados
Estas páginas explican métodos relacionados. Sus modelos no validan de forma independiente los supuestos numéricos de este artículo.
- matemática del decaimiento de la ventaja en valor neto
- derivaciones de la máquina de estados del buyback en EsportsMath.org
- Conversor de Cuotas de Esports
- error de ignorar el delay del stream
- guía completa de estrategia de apuestas de Dota 2
Contexto de versión y referencias de organizadores
Estas referencias oficiales aportan contexto de parche o evento. No establecen coeficientes hipotéticos, fórmula actual de coste de buyback ni reglas completas de todos los eventos. Comprueba el cliente activo y el reglamento específico para detalles operativos.
