Relatório Final de Estatística

1. Introdução

REPRODUÇÃO/RIOT GAMES

League of Legends (ou LOL), é um jogo multiplayer online battle arena (MOBA) desenvolvido e publicado pela Riot Games para Microsoft Windows e macOS desde outubro de 2009, vindo a se tornar um dos jogos mais populares dos últimos tempos e um dos maiores fenômenos do cenário mundial de e-sports, contando com diversas ligas competitivas bem-sucedidas em todos os continentes do Globo.

O jogo consiste de diversos elementos, e o que justifica a sua fama e seu sucesso não é a forma inovadora do jogo (pois foi referenciado do jogo DOTA), mas sim a sua disponibilidade, sendo capaz de rodar em máquinas de entrada, com processadores menos potentes e sem nenhuma necessidade de produtos “gamer”, ademais, por ser “free to play”, termo referente a jogos gratuitos cuja aplicação de dinheiro não interfere na jogabilidade.

Os jogadores assumem a forma de “invocadores” que controlam “campeões” com habilidades únicas e batalham contra o time inimigo através das rotas Topo, Selva, Meio e Rota Inferior (Figura 1). Normalmente temos lutadores e tanques na rota Topo, caçadores na rota Selva, magos e assassinos na rota Meio e temos dois jogadores na Rota Inferior, consistindo de um atirador e um suporte. O objetivo principal do jogo é destruir o Nexus inimigo, uma estrutura que libera tropas para as rotas Topo, Meio e Inferior, que fica dentro da base inimiga, onde é guardado por torres e inibidores. Sendo isso feito através da conquista do mapa ao destruir torres, conquistar os objetivos de mapa (Dragão e Barão) e ao acumular Ouro e Experiência (fortalecer seu campeão).

Tudo isso torna a experiência de se assistir uma partida de LOL emocionante, justificando a grande audiência e investimento de empresas nos principais campeonatos profissionais, disputados por diversas equipes patrocinadas e cujos dados possibilitam este trabalho existir.

REPRODUÇÃO/RIOT GAMES/FIGURA 1/MAPA DE SUMMONERS RIFT

2. Objetivos da pesquisa

REPRODUÇÃO/RIOT GAMES

O objetivo desse estudo será a análise e interpretação dos dados disponíveis no dataset, a fim de identificar e ponderar o desempenho de jogadores do cenário profissional de e-sports em partidas competitivas de League of Legends.

A partir disso, selecionamos 3 hipóteses: 1) a visão de jogo é crucial para determinar o resultado de uma partida; 2) os jogadores da posição topo não tem impacto relevante na partida; 3) o fator determinante das partidas são os caçadores da selva.

3. Metodologia

REPRODUÇÃO/RIOT GAMES

A metodologia deste estudo foi construída a partir da base de dados League of Legends Worlds 2021 Play-In Group Stats, que consta com 20 variáveis retiradas de partidas competitivas do cenário profissional de League of Legends, mais especificamente do Play-In (fase de classificação) do mundial de LOL em 2021. O dataset foi retirado do site kaggle no dia 12/02/2022.

Boxplot: foi empregado o uso de boxplot para o cruzamento de variáveis qualitativas e quantitativas.

Histograma: utilizado para a variável Gold.Earned.

Diagrama de Dispersão: a respeito das variáveis quantitativas de Gold.Earned e Kills.

Matriz de Correlação: empregada para apurar a correlação entre as variáveis quantitativas de Kills, Deaths, Creep.Score e Gold.Earned.

Também foram executados comandos de média e desvio-padrão e a função mosaicplot com o intuito de fazer um gráfico para duas variáveis qualitativas.

Podemos conferir na tabela a seguir a base de dados a ser utilizada.

League <- read.csv("C:/Users/Igor/Downloads/League of Legends 2021 World Championship Play-In Groups Statistics - Raw Data.csv")

kable(League, row.names = FALSE)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "700px", height = "600px")

Dicionário de Dados

Devido a natureza do jogo, é necessário um dicionário contendo as terminologias das variáveis expostas. A seguir, uma tabela contendo explicações dos dados.

4. Análises e Discussão

## 
##       Aatrox        Akali      Alistar        Amumu     Aphelios         Azir 
##  0.009090909  0.004545455  0.004545455  0.036363636  0.013636364  0.013636364 
##         Bard        Braum      Camille       Draven       Ezreal        Fiora 
##  0.004545455  0.013636364  0.018181818  0.004545455  0.040909091  0.004545455 
##        Galio    Gangplank         Gnar       Gragas       Graves         Gwen 
##  0.004545455  0.013636364  0.013636364  0.009090909  0.018181818  0.004545455 
##       Irelia       Jarvan          Jax        Jayce         Jhin        Kaisa 
##  0.022727273  0.013636364  0.009090909  0.040909091  0.004545455  0.004545455 
##      Kalista        Karma       Kennen      Leblanc      Lee Sin        Leona 
##  0.004545455  0.004545455  0.018181818  0.027272727  0.036363636  0.059090909 
##       Lillia    Lissandra       Lucian         Lulu     Malphite Miss Fortune 
##  0.022727273  0.004545455  0.027272727  0.004545455  0.004545455  0.081818182 
##         Nami     Nautilus      Nocturn         Olaf      Orianna       Qiyana 
##  0.009090909  0.004545455  0.004545455  0.004545455  0.018181818  0.022727273 
##        Rakan         Rell     Renekton         Ryze      Sejuani        Senna 
##  0.036363636  0.004545455  0.009090909  0.013636364  0.004545455  0.009090909 
##         Sett         Sion        Sylas       Syndra   Tahm Kench      Taliyah 
##  0.009090909  0.004545455  0.040909091  0.004545455  0.004545455  0.013636364 
##        Talon       Thresh     Tristana      Trundle   Tryndamere Twisted Fate 
##  0.009090909  0.009090909  0.004545455  0.004545455  0.013636364  0.009090909 
##        Urgot       Wukong        Xayah     Xin Zhao         Yone          Zed 
##  0.009090909  0.013636364  0.004545455  0.054545455  0.004545455  0.009090909 
##          Zoe 
##  0.013636364

Gráfico de Resultado dos Times

mosaicplot(~Team +Result, data = League, color=c("lightgreen","skyblue"), 
           main = "Time X Resultado")

Na análise deste mosaicplot entre vitórias e derrotas, há um demonstrativo dos times que mais ganharam ou perderam, tendo o INF mais derrotas entre seus jogos, e LNG mais vitórias diante as partidas jogadas.

tabela1<-table(League$Team, League$Result)

prop.table(tabela1)*100

##      
##              L        W
##   BYG 6.818182 4.545455
##   C9  4.545455 6.818182
##   DFM 2.272727 9.090909
##   GS  4.545455 4.545455
##   HLE 2.272727 6.818182
##   INF 9.090909 0.000000
##   LNG 0.000000 9.090909
##   PCE 4.545455 4.545455
##   RED 6.818182 2.272727
##   UOL 9.090909 2.272727

Histograma

Na análise do primeiro histograma, podemos verificar que há uma concentração de dados em torno dos 10 mil, onde podemos confirmar que a média se encontra em 11008.16, logo é possível perceber que os números se alinham em torno da média, porém sendo um histograma assimétrico à direita, tendo uma queda, conforme aumenta o número de ouro ganho.

Diagrama de Dispersão

cor(League$Gold.Earned, League$Champion.Damage.Share)

## [1] 0.6009271

Matriz de Correlação

Depois podemos observar uma correlação entre os dados de ‘kills’, ‘ deaths’, ‘Creep.score’, ‘Gold.Earned’. Onde há uma correlação fraca negativa entre Kills e Deaths, média positiva entre kills e Creep.score, é relativamente alta positiva entre Kills e Gold.Earned. Uma correlação fraca negativa entre Deaths e Creep.score, e fraca negativa entre Deaths e Gold.Earned. E bem alta positiva entre Creep.score e Gold.Earned.

Boxplots

Nos Boxplots temos as apresentações dos dados em blocos, demonstrando o maior, o menor valor, a mediana, e os primeiro e terceiro quartis.

par(cex=0.6)
boxplot(Kills~Position, data = League,
        col=c("Green","Pink"),
        horizontal = F,
        las = 2,
        space = c(1),
        main= "Boxplot - Abates por Posição")

Aqui temos um boxplot relacionando os abates às posições, onde support apresenta uma menor distribuição, e valores baixos, tendo sua concentração bem apertada e basicamente menor do que todos os primeiros quartis dos demais. E adc com valores mais espalhados e maiores, tendo uma distribuição mais longa. E também cumpre destacar o top, que tem uma mediana bem próxima dos valores superiores, mostrando uma concentração nos números inferiores.

par(cex=0.6)
boxplot(Assists~Position, data = League,
        col=c("LightBlue","Purple"),
        horizontal = F,
        las = 2,
        space = c(1),
        main= "Boxplot - Assistência por Posição")

No segundo boxplot temos as assistências por posição onde support e adc se invertem, agora support tem uma distribuição maior e com valores mais altos, e adc agora apresenta dados mais concentrados.

par(cex=0.6)
boxplot(Gold.Earned~Position, data = League,
        col=c("Red","RoyalBlue"),
        horizontal = F,
        las = 2,
        space = c(1),
        main= "Boxplot - Ouro ganho por Posição Jogada")

Em ouro ganho por posição jogada, temos novamente support com valores concentrados na mediana. Adc, mid e top apresentando a concentração de seus dados parecidas e em torno dos mesmos valores, estando aproximadamente entre 10 mil e 16 mil, com jungle apenas acima de support.

par(cex=0.6)
boxplot(Ward.Interactions~Position, data = League,
        col=c("Purple","Green"),
        horizontal = F,
        las = 2,
        space = c(1),
        main= "Boxplot - Interações com Sentinelas por Posição")

Por último temos as interações com sentinelas x posição, onde todos exceto support apresentam baixas distribuições, com valores muito próximos da mediana, e bem justos, tendo poucas vezes algum valor outlier

Média e Desvio-Padrão

A partir observação das médias e desvio-padrão dos objetos seguintes, partiremos para as conclusões finais.

League %>% select(Wards.Placed, Team) %>%
  group_by (Team) %>% 
  summarise(media= round(mean(Wards.Placed),2),
            Desvio_Padrao=round(sd(Wards.Placed),2)) %>% reactable()

League %>% select(Gold.Earned, Team) %>%
  group_by (Team) %>% 
  summarise(media= round(mean(Gold.Earned),2),
            Desvio_Padrao=round(sd(Gold.Earned),2)) %>% reactable()

League %>% select(Wards.Placed, Position) %>%
  group_by (Position) %>% 
  summarise(media= round(mean(Wards.Placed),2),
            Desvio_Padrao=round(sd(Wards.Placed),2)) %>% reactable()

League %>% select(Champion.Damage.Share, Position) %>%
  group_by (Position) %>% 
  summarise(media= round(mean(Champion.Damage.Share),2),
            Desvio_Padrao=round(sd(Champion.Damage.Share),2)) %>% reactable()

League %>% select(Dragons.For, Result) %>%
  group_by (Result) %>% 
  summarise(media= round(mean(Dragons.For),2),
            Desvio_Padrao=round(sd(Dragons.For),2)) %>% reactable()

League %>% select(Barons.For, Result) %>%
  group_by (Result) %>% 
  summarise(media= round(mean(Barons.For),2),
            Desvio_Padrao=round(sd(Barons.For),2)) %>% reactable()

5. Considerações Finais

REPRODUÇÃO/RIOT GAMES

A partir dos dados obtidos, levantamos a confirmação da hipótese 1, que demonstra que há sim importância na visão de jogo, ou seja, no posicionamento de sentinelas, para determinar o resultado da partida. Todavia, notamos que essa variável é alta também em times que perderam, como observado na INF, a equipe que foi derrotada em todas as suas partidas, tendo uma média alta de sentinelas colocadas. Sendo assim, a variável ouro demonstra ser a mais confiável para determinar que time irá vencer. A vantagem de ouro representa uma vantagem de itens comprados, tais itens, quando equipados em campeões, garantem o aumento do dano causado, que é uma variável determinante para abates e assistências, além de serem extremamente importantes para lidar com objetivos da partida como torres, inibidores e o nexus; além de serem cruciais para garantir os objetivos dragão e barão, pois mesmo que o último não tenha apresentado uma vantagem tão grande na média calculada, a variável dragão confirmou que dentre os times, os vencedores abateram o dragão 2.95 do tempo.

Sobre o impacto das posições no jogo, temos os adcs com os maiores números em abates, ouro ganho por posição jogada e maior porcentagem de dano, enquanto apresentam números baixos na interação com sentinelas e assistências. Os campeões da jungle apresentam um número semelhante ao top de abates, além de ser a segunda maior categoria quando se tratam de assistências, sendo assim a quarta em ouro ganho e um baixo número de sentinelas colocadas, ficam na 4ª posição quanto a porcentagem de dano por posição. Os invocadores do mid representam média de dano semelhante aos do top, além da terceira melhor colocação com sentinelas, porém com baixa interação com sentinelas no geral ao juntar o fator de sentinelas destruídas, fica em terceiro lugar no fator de assistência, compartilhando quase os mesmos números de abates e ouro ganho com top. Os suportes tem números absolutos em interações e colocação de sentinelas, baixo números de abates e ouro ganho, que são justificados pelo seu número alto de assistências. Por fim, top é a segunda maior posição em ouro ganho, com uma variação de assistências grande, mas baixa, representam o terceiro melhor número de abates, com uma porcentagem de dano de 0.24, semelhante a da posição mid, apresenta baixa contribuição em interações com sentinelas , ocupando o quarto lugar de sentinelas colocadas.

Com isso, determinamos que a posição de topo não é irrelevante, pois apresenta números relevantes nas categorias de “carrys” (aqueles responsáveis pela vitória) do jogo, como ouro ganho e abates. Sendo assim, é possível avaliar a rota de suporte como a posição determinante de uma partida, pois é a rota responsável pela possibilidade das estratégias do jogo, concedendo visão através das sentinelas tanto em sua colocação, quanto sua interação geral, além de ser a posição que acompanha o adc, que é a posição responsável pela maior porcentagem de dano, ademais, os suportes representam a categoria com o maior número de assistências.

Destacam-se algumas limitações na pesquisa, como a falta de variáveis importantes como qual equipe foi responsável pelo First Blood (primeiro abate de campeão), além da impossibilidade da utilização da variável Champion devido ao seu valor qualitativo e densidade. Apesar de tudo, é válido relembrar que essas partidas se tratam da fase de play-in do mundial de LOL, o que faz com que os números aqui expostos possam não ser o representativo das melhores equipes do jogo, que possivelmente saberiam usar todos os recursos possíveis de melhor maneira para encerrar a partida.