Um modelo de Poisson estima, para cada equipa, um número médio de golos esperado, e a partir daí deduz uma distribuição de probabilidades sobre todos os resultados possíveis — não um resultado único. Pressupõe que os golos ocorrem de forma independente entre si a um ritmo constante, dois pressupostos que o futebol só cumpre de forma aproximada. Os xG (golos esperados) alimentam este tipo de modelo como dado de entrada, nunca como resultado. A distribuição obtida continua a ser uma estimativa a confrontar com uma odd, que por sua vez integra uma margem e a opinião do mercado.
O essencial em poucos segundos
Um modelo de Poisson estima um número médio de golos por equipa, e a partir daí deduz uma probabilidade para cada resultado possível. Os xG alimentam frequentemente este tipo de modelo a montante, como dado de entrada. O resultado é uma distribuição — nunca um resultado único, nunca um prognóstico.
Três ideias bastam para sustentar toda a página:
- o modelo pressupõe, não constata — a independência dos golos e o ritmo constante são aproximações, não leis do futebol;
- o xG entra no modelo, não sai dele — é uma medida da qualidade das oportunidades, não uma previsão;
- uma distribuição não é uma odd — compará-las exige primeiro converter a odd em probabilidade, margem incluída.
«Um modelo estatístico dá o resultado exato do jogo.»
Um modelo Poisson/xG atribui uma probabilidade a cada resultado possível. Num jogo de futebol, mesmo o resultado mais provável de uma distribuição realista raramente ultrapassa 15 a 20% de probabilidade: a grande maioria dos resultados concebíveis reparte o resto entre si.
O que é um modelo de Poisson aplicado ao futebol?
Um modelo de Poisson atribui a cada equipa um número médio de golos esperado para um jogo, e calcula a probabilidade de marcar 0, 1, 2, 3 ou mais golos a partir dessa única média. Combinar as duas distribuições, uma por equipa, dá uma probabilidade para cada resultado exato — 1-0, 2-1, 0-0 — e, somando-as, uma probabilidade para cada resultado do mercado 1X2 ou Mais/Menos.
O princípio remonta a Maher (1982), o primeiro a formalizar esta abordagem para o futebol e a testar a sua validade estatística com dados reais de campeonato. A sua conclusão já continha as duas faces da questão: um modelo de Poisson independente descreve razoavelmente bem a distribuição observada de resultados, com desvios sistemáticos identificáveis em vez de simples ruído.
O modelo continua simples de descrever, o que explica a sua longevidade: duas médias de golos bastam para produzir uma distribuição completa sobre todos os resultados de um jogo. A sua simplicidade é também o seu limite — assenta em pressupostos que vale a pena conhecer antes de ler um resultado produzido por este tipo de modelo.
Que pressupostos coloca a distribuição de Poisson?
Dois pressupostos sustentam todo o modelo: a independência dos golos entre si, e um ritmo de marcação constante ao longo do jogo. Nenhum dos dois é estritamente verdadeiro no futebol — a questão é saber quanto se afastam, e o que essa diferença muda.
| Pressuposto do modelo | O que pressupõe | O que mostram os dados |
|---|---|---|
| Independência dos golos | O número de golos de uma equipa não depende do da outra | Correlação fraca mas medida entre ambas — próxima de 0,2 segundo Maher (1982) |
| Ritmo constante | A probabilidade de marcar é a mesma aos 5 e aos 85 minutos | O ritmo varia com o resultado em curso (uma equipa a perder ataca mais, uma a ganhar pode baixar o ritmo) |
| Força fixa por equipa | A força ofensiva/defensiva não muda durante o jogo | Expulsões, lesões e mudanças táticas alteram a força real ao longo do jogo |
| Resultados independentes do contexto | Cada jogo é tratado isoladamente | Calendário, importância do jogo e fadiga influenciam o ritmo real, não captados pela média de golos por si só |
A correlação medida por Maher entre os golos das duas equipas não é nula, mas mantém-se fraca — da ordem de 0,2. É precisamente essa diferença que Dixon e Coles (1997) procuraram corrigir quinze anos depois, acrescentando um parâmetro de dependência que ajusta a probabilidade dos resultados apertados (0-0, 1-0, 0-1, 1-1), os pior representados por um Poisson estritamente independente. O seu trabalho tem um segundo contributo, citado com menos frequência do que o primeiro: testaram-no diretamente contra odds de casas de apostas, para verificar se o modelo corrigido identificava diferenças de preço exploráveis no mercado inglês de meados dos anos 90.
Um pressuposto e um facto não são a mesma coisa. Um pressuposto de modelo é uma escolha de simplificação, assumida para tornar o cálculo possível. Um facto é o que os dados mostram assim que o modelo é confrontado com eles. Usar bem um modelo Poisson/xG começa por saber qual dos seus pressupostos traz mais diferença no jogo observado.
O xG, dado de entrada do modelo
Os golos esperados (xG) medem a qualidade das oportunidades criadas, a partir da sua posição, da sua configuração e do contexto da jogada. Usados como dado de entrada, permitem construir uma média de golos mais estável do que uma simples média de golos marcados, sensível às variações de finalização de um jogo para outro.
Esta utilização coloca o xG com precisão na cadeia: alimenta o parâmetro de entrada de um modelo de Poisson, nunca é a sua saída. Uma equipa pode apresentar um xG elevado em vários jogos consecutivos sem que o modelo que o usa produza uma vitória certa — o xG informa uma média, não elimina nenhum dos pressupostos ligados ao modelo que o explora depois.
O ângulo completo sobre o futebol — xG, forma, indicadores de jogo, e porque o futebol resiste particularmente à modelação — é tratado em detalhe pelo guia dedicado à inteligência artificial aplicada ao futebol.
xG, dados de forma e modelos aplicados ao futebol →
Confrontar a distribuição com o mercado
Uma distribuição de probabilidades produzida por um modelo e uma odd de casa de apostas respondem a lógicas diferentes, e confundi-las equivale a comparar um cálculo com um preço. A odd integra uma estimativa, mas também uma margem e a exposição ligada às apostas já recebidas — dois elementos que nenhum modelo de Poisson modela.
Para comparar as duas coisas numa base comum, é preciso converter a odd em probabilidade implícita, e depois situar a probabilidade do modelo sobre o mesmo resultado. Se a estimativa do modelo ultrapassar o que a odd exige, a diferença pode ler-se como uma odd justa diferente do preço apresentado — um sinal a questionar, nunca uma certeza, já que a diferença pode revelar tanto uma fraqueza do modelo como uma ineficiência do mercado.
É exatamente a pergunta que Dixon e Coles colocavam em 1997: um modelo melhor especificado identifica diferenças de preço que sobrevivem ao teste do mercado real? A sua resposta, positiva na amostra original, não se generaliza automaticamente — um mercado de apostas ajusta-se, e uma diferença identificável numa época pode fechar-se na seguinte à medida que outros participantes a exploram.
O mercado Mais/Menos, que incide diretamente sobre um total de golos, é aquele em que uma distribuição de Poisson se confronta mais naturalmente com um preço.
O mercado de totais, e como se liquida →
O que um modelo Poisson/xG permite — e o que não permite
Três níveis a nunca confundir.
- O que permite fazer — combinar duas médias de golos numa distribuição completa sobre todos os resultados possíveis, e situar cada resultado de mercado nessa distribuição.
- O que permite estimar — uma probabilidade por resultado ou por mercado, com uma margem de erro que depende diretamente de quanto os pressupostos de independência e ritmo constante se verificam no jogo observado.
- O que nunca permite concluir — o resultado do jogo, nem sequer o resultado mais provável como um dado adquirido. A revisão de Bunker e Susnjak, já citada pelo guia de IA no futebol do site, recorda que o futebol continua a ser um dos desportos mais difíceis de modelar, precisamente pelo seu baixo número de golos.
Uma consequência prática deste último limite: julgar a qualidade de um modelo com base num único jogo não faz sentido estatístico. É preciso um histórico, e a quantidade de dados necessária para que se torne interpretável depende de parâmetros identificáveis.
De que depende a quantidade de dados necessária →
Jogo responsável — um modelo não elimina o risco. As apostas desportivas comportam um risco de perda financeira e apresentam, segundo a Autorité nationale des jeux (o regulador francês do jogo), o maior risco individual de jogo problemático entre as atividades de jogo reguladas. Uma distribuição de probabilidades produzida por um modelo não torna nenhuma aposta isenta de risco. Define um orçamento, não tentes recuperar as tuas perdas e usa as ferramentas de limitação ou autoexclusão disponíveis. Sabe mais sobre o jogo responsável.
Como se posiciona a OddScore face a estes modelos
A OddScore não constrói nenhum modelo de resultado nem publica nenhuma distribuição de probabilidades. A plataforma recolhe as odds de várias casas de apostas, converte-as em probabilidades implícitas, retira a margem incorporada em cada preço e acompanha a sua evolução até ao apito inicial.
O que isto significa na prática: um modelo Poisson/xG e uma leitura de mercado respondem a perguntas próximas mas distintas — um estima uma distribuição a partir de médias de golos, o outro lê o que vários operadores pensam coletivamente sobre um resultado, preço a preço. Ambos se podem esclarecer mutuamente; nenhum substitui o outro, e nenhum dos dois constitui um prognóstico.
O papel que uma odd desempenha dentro de uma análise mais ampla — como um dado entre outros, nunca como uma resposta — é tratado em detalhe pelo guia que liga odds e prognósticos.
Integrar uma odd numa análise, sem a copiar →
Explore o mercado
Os movimentos de odds são apenas parte da história. Veja os próximos temas para ler.
Prognósticos desportivos: como analisar antes de apostar
O guia completo do cluster: dados, odds, fiabilidade, enviesamentos e o papel da IA.
Ler o guiaPrognóstico de futebol e inteligência artificial
xG, dados de forma e modelos aplicados ao futebol.
Ver a aplicação ao futebolProbabilidade implícita: convertê-la a partir de uma odd
A fórmula para passar de uma odd à sua probabilidade implícita.
Converter uma oddFair odds: da probabilidade estimada à odd
Passar de uma probabilidade de modelo a uma odd justa.
Calcular uma odd justaMais/Menos: o mercado de totais
O mercado que este tipo de distribuição serve mais diretamente para avaliar.
Ver o mercadoOs limites dos prognósticos com IA
Dados incompletos, caixa negra, excesso de confiança num número preciso.
Ver os limitesQuantas apostas antes de julgar uma performance?
De que depende a quantidade de dados necessária.
Ver o métodoPerguntas frequentes
O que é um modelo de Poisson aplicado ao futebol?
É um modelo estatístico que estima um número médio de golos para cada equipa, e depois calcula a probabilidade de marcar 0, 1, 2, 3 ou mais golos a partir dessa única média. Produz uma distribuição de resultados, não um resultado único.
Os xG e a distribuição de Poisson são a mesma coisa?
Não. Os xG medem a qualidade das oportunidades criadas durante um jogo já disputado ou em curso. A distribuição de Poisson é um modelo probabilístico que pode usar uma média de golos (derivada ou não dos xG) como parâmetro de entrada, antes de um jogo.
Porque é que o futebol não segue exatamente uma distribuição de Poisson?
Porque as suas duas hipóteses centrais — independência dos golos e ritmo constante ao longo de 90 minutos — são apenas aproximadas. Os golos de um mesmo jogo estão ligeiramente correlacionados, e o ritmo de jogo muda consoante o resultado em curso.
Um modelo Poisson/xG pode prever um resultado exato?
Não. Atribui uma probabilidade a cada resultado possível, e mesmo o resultado mais provável continua a ser minoritário dentro da distribuição. Um modelo que produzisse um único resultado deixaria de ser um modelo probabilístico.
Como se compara um modelo estatístico com a odd de uma casa de apostas?
Convertendo a odd em probabilidade implícita, e depois comparando essa probabilidade com a que o modelo produz para o mesmo resultado. A diferença, se existir, deve primeiro pôr em causa o modelo antes de pôr em causa o mercado.
As casas de apostas usam este tipo de modelo?
Variantes do modelo de Poisson fazem parte das ferramentas históricas da definição de preços desportivos, ao lado de outros métodos. Não explicam sozinhas um preço apresentado, que também incorpora a margem e a exposição do operador.
A OddScore fornece prognósticos?
Não. A OddScore compara as odds de várias casas de apostas, retira a margem e acompanha a sua evolução. A plataforma não publica qualquer seleção de apostas nem fornece qualquer conselho de aposta.
Fontes & metodologia
Esta página baseia-se nos dois trabalhos fundadores da modelação de resultados de futebol através da distribuição de Poisson, na revisão académica dedicada à previsão de resultados em desportos coletivos já citada pelo guia de IA no futebol do site, e no quadro regulatório francês publicado pela Autorité nationale des jeux.
- Retomar os pressupostos do modelo de Poisson independente tal como formalizados por Maher (1982), sem os simplificar.
- Apresentar a correção de correlação introduzida por Dixon e Coles (1997) como a resposta académica ao limite de independência, não como um detalhe técnico secundário.
- Tratar os xG como um dado de entrada entre outros, nunca como uma saída do modelo ou um resultado em si.
- Distinguir explicitamente uma distribuição de probabilidades produzida por um modelo de uma odd de mercado, que integra uma margem e uma exposição comercial.