O modelo Poisson é a ferramenta mais usada por quem quer transformar palpites de futebol em números, mas a maioria das implementações falha no mesmo ponto: usa golos marcados como se fossem a medida real da qualidade ofensiva de uma equipa. Não são. Golos são eventos raros, ruidosos e sujeitos a variância brutal em amostras de 10 a 20 jogos. Os golos esperados (xG) medem a qualidade das oportunidades criadas e sofridas, e são um preditor muito mais estável. Este tutorial mostra o passo a passo para ajustar a média de golos da liga com os xG de cada equipa antes de correr a distribuição Poisson, com um exemplo concreto que muda tudo: no FC Copenhagen, o xG é cerca de 15% superior aos golos reais, o que desloca as probabilidades de forma significativa.
Porque a média de golos da liga não chega para prever confrontos
A abordagem preguiçosa consiste em pegar na média de golos por jogo da liga, multiplicar pelo fator casa/fora e atribuir um ataque e uma defesa relativa a cada equipa com base nos golos marcados e sofridos. Isto produz números arrumados e, com frequência, previsões erradas. O problema não está na matemática de Poisson, está na matéria-prima. Golos marcados são uma amostra pequena de um processo de alta variância. Uma equipa que marca 12 golos em 10 jogos pode ter criado oportunidades para 18. Outra que marcou os mesmos 12 pode ter tido sorte com guarda-redes adversários em má forma ou com remates de longe que entraram.
Os xG resolvem parte deste problema porque medem a probabilidade de cada remate se converter em golo, com base em posição, ângulo, parte do corpo, tipo de assistência e pressão defensiva. Quando somas xG ao longo de vários jogos, obténs uma estimativa da qualidade ofensiva que é muito menos sensível ao acaso. É por isso que casas de apostas profissionais e tipsters sérios usam xG como base para as odds 1X2 e para mercados de golos. Se estás a analisar jogos de hoje ou jogos de amanhã apenas com golos marcados, estás a competir com informação inferior.
Há um segundo problema: a média de golos da liga não é constante. Liga Europa da UEFA e Liga Conferência da UEFA têm perfis de scoring diferentes da Premier League ou da Liga Portugal. Competições com equipas de níveis muito díspares produzem médias inflacionadas em jogos desequilibrados. Ajustar a média da liga com xG por equipa resolve parcialmente isto, porque a média ajustada reflete o que as equipas efetivamente criam e concedem, não o que o calendário lhes deu.
Passo 1: recolher xG por equipa e calcular fatores de ataque e defesa
Precisas de dois números por equipa: xG criado por jogo e xG concedido por jogo, ambos em contexto de liga. Ignora competições europeias e taças nesta fase, porque a qualidade dos adversários distorce os valores. Usa pelo menos 10 jogos, idealmente 15 a 20. Menos do que isso e estarás a ajustar ruído com ruído.
Calcula a média de xG criado por jogo em toda a liga (chamemos-lhe μ_xG_liga) e a média de xG concedido por jogo (que, numa liga equilibrada, deve ser igual ou muito próxima). Depois, para cada equipa, calcula dois fatores:
Fator de ataque = (xG criado por jogo da equipa) / μ_xG_liga
Fator de defesa = (xG concedido por jogo da equipa) / μ_xG_liga
Um fator de ataque de 1.20 significa que a equipa cria 20% mais do que a média da liga. Um fator de defesa de 0.85 significa que concede 15% menos do que a média. Estes fatores são multiplicativos e aplicam-se diretamente à média de golos esperada no confronto.
Exemplo concreto: FC Copenhagen e o desvio de 15% entre xG e golos
O FC Copenhagen é um caso de estudo útil. Numa amostra recente de jogos da liga dinamarquesa e da fase de grupos europeia, o xG criado por jogo era cerca de 15% superior aos golos efetivamente marcados. Isto pode acontecer por várias razões: finalização abaixo da média, guarda-redes adversários em forma, ou simplesmente azar numa amostra curta. Se usares golos marcados, o fator de ataque do Copenhagen fica subestimado. Se usares xG, o fator sobe e as probabilidades Poisson de vitória e de over 1.5 golos aumentam de forma mensurável.
O mesmo raciocínio aplica-se na direção oposta. Uma equipa como o Getafe, historicamente defensiva e com xG concedido baixo, pode ter sofrido mais golos do que o xG sugere. Ajustar com xG reduz o fator de defesa e torna o adversário menos favorito do que os golos sofridos indicariam. Em ambos os casos, o ajuste move as probabilidades na direção correta com mais frequência do que o modelo baseado em golos.
Passo 2: construir a média de golos esperada para cada equipa no confronto
Com os fatores calculados, a média de golos esperada para a equipa da casa (λ_casa) e para a equipa de fora (λ_fora) obtém-se assim:
λ_casa = μ_golos_liga * Fator_ataque_casa * Fator_defesa_fora * Vantagem_casa
λ_fora = μ_golos_liga * Fator_ataque_fora * Fator_defesa_casa / Vantagem_casa
Onde μ_golos_liga é a média de golos por jogo da liga (não a média de xG, mas a média de golos reais, porque Poisson modela golos, não xG). A vantagem casa é um multiplicador entre 1.10 e 1.30, dependendo da liga. Na Liga Europa da UEFA, a vantagem casa tende a ser menor do que nas ligas domésticas, porque as equipas visitantes são de nível mais alto e viajam com estrutura profissional. Na Liga Conferência da UEFA, o efeito é ainda mais diluído.
Aqui está o ponto crítico que muitos tutoriais ignoram: deves ajustar μ_golos_liga com os xG das equipas antes de multiplicar pelos fatores. Ou seja, se a média de golos da liga é 2.70 mas a média de xG por jogo é 2.45, a liga está a marcar acima do que cria. novas casas de apostas em portugal offers additional context worth reviewing. Usar 2.70 sem ajuste inflaciona todas as previsões. O ajuste correto é usar uma média ponderada entre golos reais e xG, com peso maior no xG quando a amostra é pequena.
Para o FC Copenhagen, se o xG é 15% superior aos golos, o fator de ataque calculado com xG será cerca de 15% superior ao calculado com golos. Num confronto equilibrado, isso pode mover a probabilidade de vitória do Copenhagen de 38% para 44%, o que é uma diferença enorme em termos de valor esperado numa aposta. É exatamente este tipo de desvio que separa um tipster que usa xG de um que só olha para a tabela classificativa.
Passo 3: aplicar a distribuição Poisson e interpretar as probabilidades
A distribuição Poisson dá-te a probabilidade de uma equipa marcar exatamente k golos, dado λ. A fórmula é P(k) = (λ^k * e^-λ) / k!. Para k de 0 a 6 ou 7, cobres praticamente toda a probabilidade relevante. Depois, para obter a probabilidade de vitória da casa, empates e vitória fora, somas as combinações de resultados: P(casa vence) = soma de P_casa(i) * P_fora(j) para todos os i > j. O mesmo para empate (i = j) e vitória fora (i < j).
Um erro comum é usar a mesma λ para ambas as equipas. Isso só faz sentido em confrontos perfeitamente equilibrados, o que é raro. Outro erro é ignorar a correlação entre os golos das duas equipas. Poisson assume independência, mas na realidade os jogos têm dinâmica: uma equipa que sofre cedo ataca mais e concede mais. Existem correções (Poisson bivariado, ajuste de Dixon-Coles) mas para a maioria dos prognósticos de futebol a versão simples com λ ajustado por xG já supera largamente o modelo baseado em golos.
Para o mercado 1X2, compara as tuas probabilidades com as odds implícitas das casas de apostas. Se a tua probabilidade para a vitória do Benfica sobre o Celtic na Liga Europa da UEFA é 52% e a odd justa é 1.92, qualquer odd acima de 1.92 tem valor esperado positivo. Se a casa oferece 1.85, não há valor, mesmo que aches que o Benfica vai ganhar. O modelo serve para identificar desvios, não para confirmar intuições.
Passo 4: validar o modelo com resultados ao vivo e backtesting
Antes de arriscar dinheiro, faz backtesting em pelo menos 100 jogos passados. Calcula as probabilidades Poisson com xG ajustado e compara com os resultados reais. Usa métricas como Brier score ou log-loss para avaliar a calibração. Um modelo bem calibrado produz probabilidades que correspondem à frequência real: se dizes 60% para vitórias da casa, deve acontecer em cerca de 60% dos casos.
Compara o modelo com xG contra o modelo com golos marcados. Na minha experiência, o modelo com xG reduz o log-loss entre 3% e 8% em ligas com amostras de 15 a 20 jogos. Em ligas com amostras maiores, a diferença encolhe, mas raramente desaparece. O ganho é maior em equipas com desvios grandes entre xG e golos, como o FC Copenhagen, o Bayer Leverkusen em certas fases, ou o Ajax quando está em transição de plantel.
Usa também os resultados ao vivo e as estatísticas de futebol para validar em tempo real. Se o teu modelo prevê 2.8 golos esperados num jogo do Lyon contra o Crystal Palace na Liga Europa da UEFA e ao minuto 60 há 0-0 com 1.2 xG combinado, o modelo está a sobrestimar. Ajusta λ para baixo em função do xG gerado no jogo. Isto não é batota, é atualização bayesiana: a informação nova deve alterar a tua crença.
O centro de jogos das plataformas de referência mostra calendário e resultados das ligas em destaque, o que ajuda a recolher dados de forma sistemática. A Liga Europa da UEFA inclui 18 jogos no centro de jogos, e a Liga Conferência da UEFA inclui outros 18 jogos. Usa esses dados para treinar e validar o teu modelo, não apenas para ver resultados.
Passo 5: integrar o modelo na tua rotina de apostas
O modelo Poisson com xG ajustado não é uma bola de cristal. É uma ferramenta para calcular probabilidades justas e comparar com as odds de apostas. O trabalho real está na recolha de dados, no ajuste dos fatores e na disciplina de só apostar quando há valor. Um comparador de odds ajuda a encontrar a melhor linha entre várias casas de apostas, o que pode ser a diferença entre um ROI de 2% e um ROI de 6%.
Um aspeto prático: as casas de apostas também usam xG. Não estás a explorar uma ineficiência secreta. Estás a competir num mercado onde a informação é amplamente disponível. A vantagem vem da execução: recolher xG de fontes fiáveis, ajustar a média da liga corretamente, usar uma vantagem casa realista e ser seletivo nos mercados onde apostas. O mercado 1X2 é muito eficiente nas principais ligas europeias. Mercados secundários como golos asiáticos, cantos ou cartões tendem a ter mais valor para quem faz análise de confrontos com dados próprios.
Para quem está a começar, a recomendação é simples: usa o modelo para gerar probabilidades, compara com as odds, e aposta apenas quando a diferença é superior a 3 a 5 pontos percentuais. Abaixo disso, a margem da casa come o valor. Acima disso, tens uma vantagem estatística que se materializa ao longo de centenas de apostas, não de dezenas.
Uma nota final sobre bónus de apostas e bónus de registo: são úteis para aumentar o bankroll inicial, mas não resolvem um modelo mal calibrado. Usa-os como capital adicional, não como estratégia. O edge vem do modelo, não do bónus.
| Abordagem | Fonte de dados | Vantagem principal | Limitação |
|---|---|---|---|
| Poisson com golos marcados | Golos por jogo | Simples, dados fáceis de obter | Alta variância, ignora qualidade das oportunidades |
| Poisson com xG ajustado | xG criado e concedido | Mais estável, capta desvios como o do FC Copenhagen | Requer fonte fiável de xG e mais processamento |
| Poisson bivariado / Dixon-Coles | xG + correlação entre golos | Corrige dependência entre resultados | Mais complexo, ganho marginal em muitos jogos |
| Modelo de mercado (odds implícitas) | Odds de casas de apostas | Reflete toda a informação disponível | Não identifica valor por si só, margem incluída |
| Modelo híbrido (xG + mercado) | xG + odds + resultados ao vivo | Combina análise própria com sabedoria do mercado | Requer disciplina para não seguir o mercado cegamente |
O modelo Poisson com xG ajustado é uma melhoria clara sobre a versão baseada apenas em golos, especialmente em ligas com amostras pequenas e equipas com desvios grandes entre criação e conversão. O FC Copenhagen é o exemplo mais citado neste artigo porque o desvio de 15% é significativo e mensurável, mas o princípio aplica-se a qualquer equipa. Ajusta a média de golos da liga com xG, calcula fatores de ataque e defesa, aplica a distribuição e valida com backtesting. Se o modelo não bater o mercado de forma consistente em backtesting, não vai bater em dinheiro real. Usa os prognósticos de futebol como ponto de partida para análise, não como substituto dela, e lembra-te de que apostas legais exigem disciplina e gestão de banca. O edge está nos detalhes: uma média ajustada corretamente, uma vantagem casa realista e a coragem de não apostar quando não há valor.