Como o "Supercomputador de Futebol" realmente funciona: simulação de Monte Carlo explicada

"Supercomputador prevê a briga pelo título da Premier League." "Supercomputador dá a sentença do rebaixamento." Você conhece esses manchetes. Eles aparecem semana após semana, com uma coluna de porcentagens ao lado de cada clube, e, até o sábado, já estão sendo citados na pub como se fossem tábuas de pedra.

Não existe nenhuma máquina do tamanho de uma sala zumbando em algum porão, porém. O "supercomputador" do futebol é um modelo estatístico, e o método por trás dele é algo que seu notebook poderia executar. O nome é pura marca. O que está por baixo é esperto e surpreendentemente simples, e achamos que todo apostador deveria entender isso.

A temporada 2026/27 está com cerca de sete semanas. Começou em 21 de agosto, o Arsenal é o campeão defensor e o Coventry City, o Ipswich Town e o Hull City subiram. É exatamente agora que as projeções começam a voar por aí, e exatamente agora que são mais fáceis de ser mal interpretadas.

Fique com a gente e você vai saber como uma simulação de temporada é construída, o que uma "chance de 35% do título" realmente significa, por que o modelo e as casas de apostas discordam e em qual delas confiar quando.

Quem curte uma apostinha vai gostar do nome. Métodos de Monte Carlo são uma família de cálculos construída sobre amostragem aleatória repetida. O matemático polonês Stanislaw Ulam criou a ideia, e o nome é uma referência ao Cassino de Monte Carlo, em Mônaco, uma homenagem aos hábitos de apostas do seu tio.

O truque parece ao contrário: você usa o acaso para responder a uma pergunta que não é aleatória de forma alguma. Alguns problemas são tão intrincados que não se prestam a uma fórmula simples, e uma temporada de futebol é um deles. Vinte times, 380 jogos, cada resultado influenciando todos os outros, critérios de desempate definidos pela diferença de gols. Ninguém está escrevendo uma equação limpa para "quais são as chances de o Coventry se manter na divisão?"

Então você não se dá ao trabalho. Você simula a temporada ao acaso, mas seguindo probabilidades sensatas, e faz isso milhares de vezes. Depois, você conta.

Essa é a supercomputadora. O resto depende de quão boas são as probabilidades de entrada, e é aí que reside o verdadeiro debate.

Cada simulação começa com um número para cada time. Alguns modelos usam uma única classificação de força, como as classificações Elo, mas a maioria dos modelos de futebol divide isso em força de ataque e força de defesa. Esses valores vêm dos resultados passados, cada vez mais dos gols esperados, e, em alguns modelos, de uma combinação com as odds do mercado.

Os gols esperados são a espinha dorsal moderna. Cada chute recebe uma probabilidade entre 0 e 1 de entrar, baseada na distância, no ângulo, na parte do corpo, no tipo de assistência e assim por diante. Some os chutes e você tem o xG de um time para o jogo ou para a temporada. Uma chance de 0,3 xG entra cerca de 30% das vezes em muitas repetições, o que não diz nada sobre se um chute individual específico vai ou não. Como ele elimina a sorte na finalização, o xG é um guia mais sólido para o nível real de um time do que apenas gols, então a maioria das classificações depende muito dele. Nosso guia para construir um modelo de apostas esportivas aprofunda mais na escolha dos seus inputs.

O avô acadêmico de tudo isso é o Dixon e Coles, publicado no Journal of the Royal Statistical Society em 1997. Eles ajustaram um modelo de regressão de Poisson ao futebol inglês de liga e copa de 1992 a 1995 e o testaram contra as odds das casas de apostas de 1995/96. O artigo era abertamente sobre encontrar buracos no mercado de apostas de futebol, e reportou um retorno positivo nesse teste. Os mercados dos anos 90 eram um alvo mais frágil do que os de hoje, mas os ossos desse modelo ainda estão dentro da maioria das previsões públicas.

As classificações também não ficam paradas. Um bom modelo as atualiza à medida que a temporada avança, para que os jogos recentes contem mais do que os da primavera passada.

Com as avaliações definidas, cada jogo vira uma figura de gols esperados para ambos os lados, e isso se transforma em probabilidades através da distribuição de Poisson. É o método padrão para modelar com que frequência um evento raro acontece em um intervalo fixo, e os gols em uma partida de futebol se encaixam perfeitamente nisso.

P(time marca k gols) = e^(-λ) × λ^k / k!

λ_mandante = média_da_liga × ataque_mandante × defesa_visitante × vantagem_mandante
λ_visitante = média_da_liga × ataque_visitante × defesa_mandante ÷ vantagem_mandante

A média da liga estabelece a base. Os primeiros 50 jogos da Premier League de 2026/27 produziram 141 gols, 2,82 por jogo, ou cerca de 1,41 por lado.

Digamos que o modelo espera que o mandante marque 1,8 e o visitante 1,0. O mandante fica no zero a zero com probabilidade e^-1,8, cerca de 16,5%, marca uma vez 29,8% do tempo e duas vezes 26,8% do tempo. Calcule todas as contas de 0-0 a 9-9, some tudo, e você obtém:

Vitória do mandante  ≈ 56%
Empate      ≈ 23%
Vitória do visitante  ≈ 21%

Essa forma deve parecer familiar. Aqui está o que o modelo da Opta publicou para alguns jogos em 9 de outubro de 2026:

Probabilidades de vitória da Opta até 9 de outubro de 2026.

A Poisson pura tem um defeito famoso. Ela trata os gols dos dois times como independentes, o que subestima empates de poucos gols, como 0-0 e 1-1. Dixon e Coles adicionaram uma correção para as quatro contas mais baixas (0-0, 1-0, 0-1 e 1-1), e a maioria dos modelos sérios agora carrega algo semelhante.

Aqui está a parte do Monte Carlo. É um loop de cinco etapas:

1. Avalie cada time com base nos resultados, xG e tudo o mais que entra na conta.
2. Precifique todos os jogos restantes usando o modelo de jogo acima.
3. Jogue cada partida uma vez aleatoriamente, sortear um placar a partir dessas probabilidades e somar os pontos na tabela. As partidas já disputadas ficam exatamente como aconteceram.
4. Repita a temporada inteira milhares de vezes. 10.000 rodadas é uma escolha comum, e cada rodada representa uma versão possível de 2026/27.
5. Conte. A chance de título é a porcentagem de rodadas em que um time terminou na ponta. A chance de rebaixamento é a porcentagem em que terminou em 18º, 19º ou 20º.

Esses famosos percentuais são apenas somatórias. Vença a liga em 4.300 das 10.000 temporadas simuladas e você está em 43%. Com 50 das 380 partidas já jogadas até 20 de setembro, um modelo da Premier League está reproduzindo cerca de 330 jogos a cada rodada.

Abaixo está uma versão funcional para uma liga fictícia de quatro times que joga em casa e fora. Leva um minuto para ler:

import random, math
random.seed(7)
teams = {"Reds": (1,9, 0,9), "Blues": (1,7, 1,0), "Whites": (1,4, 1,2), "Greens": (1,2, 1,3)}  # (ataque, defesa)
AVG, HOME = 1,35, 1,15

def poisson(lam):
    L, k, p = math.exp(-lam), 0, 1,0
    while True:
        p *= random.random()
        if p <= L:
            return k
        k += 1

def play(h, a):
    lam_h = AVG * (teams[h][0] / AVG) * (teams[a][1] / AVG) * HOME
    lam_a = AVG * (teams[a][0] / AVG) * (teams[h][1] / AVG) / HOME
    return poisson(lam_h), poisson(lam_a)

fixtures = [(h, a) for h in teams for a in teams if h != a]
N, titles = 10_000, dict.fromkeys(teams, 0)
for _ in range(N):
    pts, gd = dict.fromkeys(teams, 0), dict.fromkeys(teams, 0)
    for h, a in fixtures:
        x, y = play(h, a)
        gd[h] += x - y; gd[a] += y - x
        if x > y: pts[h] += 3
        elif x < y: pts[a] += 3
        else: pts[h] += 1; pts[a] += 1
    champion = max(teams, key=lambda t: (pts[t], gd[t], random.random()))
    titles[champion] += 1
print({t: titles[t] / N for t in teams})

Rode o código e os Reds, com folga o melhor time no papel, ganham o título em apenas cerca de 53% das temporadas. Os Blues levam cerca de 31%, os Whites em torno de 11% e os Greens cerca de 4-5%. Os Reds vencem os Greens em casa 70% das vezes, e em uma temporada curta, o melhor time ainda fica de fora quase metade das vezes. É assim de barulhento que é o futebol.

Uma chance de 25% de título não significa que o time deva ser campeão. Significa que ele vence uma temporada a cada quatro.

A maioria dos erros de leitura começa exatamente aí. Se você coloca o time na frente com 25%, ele vira "a aposta do supercomputador", mas três vezes a cada quatro, outro é quem levanta a taça. Um time com 10% de chance de rebaixamento é chamado de "seguro" nas manchetes, mas em uma temporada a cada dez, aquele mesmo elenco, com aquela mesma tabela de jogos, desce de divisão.

Números iniciais são basicamente a temporada passada

Aos sete rodadas, a tabela real mal mexeu o ponteiro. O que você está vendo agora é basicamente a visão prévia do modelo sobre cada time, com alguns resultados misturados. Em abril, a coisa inverte: os pontos reais dominam e as avaliações só decidem o punhado de jogos restantes. É por isso que as projeções iniciais oscilam tanto após cada rodada.

Pequenas mudanças na avaliação, grandes oscilações

Os totais de pontos ficam muito próximos uns dos outros. Mexer na avaliação de um time por uma fração e a chance de título dele pode mudar por vários pontos percentuais, porque um par de vitórias a mais ao longo da temporada pode ser a diferença inteira entre o primeiro e o terceiro colocado.

Mais rodadas não corrigem um modelo ruim

O ruído amostral diminui quando você adiciona simulações, e a matemática é simples o suficiente:

erro padrão = √( p × (1 − p) ÷ N )

p = 0,5, N = 10,000  →  0,5 pontos  (aproximadamente ±1 ponto)
p = 0,5, N = 1,000   →  1,6 pontos  (aproximadamente ±3 pontos)

Mas isso só cobre o ruído dos dados. Se você acertar as avaliações erradas, um milhão de rodadas vai te entregar uma resposta errada muito precisa. É a mesma pegadinha que pega modelos de apostas que fazem backtesting brilhante e depois perdem dinheiro de verdade.

Raro não é impossível

O Leicester City começou a temporada 2015/16 como azarão com odds de 5000-1 nas casas de apostas e foi confirmado campeão em 2 de maio de 2016, com Jamie Vardy marcando 24 gols na liga para Claudio Ranieri ao longo do caminho. Uma aposta de 5000-1 implica cerca de 0,02%, ou aproximadamente dois títulos em 10,000 temporadas simuladas. Quando um modelo imprime "<1%", leia como "raro" e nunca como "não pode acontecer".

Colocar as porcentagens de um modelo lado a lado com as cotações de uma casa de apostas raramente faz as coisas alinharem. Três fatores explicam essa diferença.

A margem

As probabilidades de um modelo somam exatamente 100%. As probabilidades implícitas de uma casa de apostas somam mais, e nos principais mercados de campeão frequentemente muito acima de 100%. Isso é a margem. Para comparar coisas iguais, converta os números do modelo em cotações justas:

cotação decimal justa = 1 ÷ probabilidade

Man Utd 54,1%  →  1 ÷ 0,541 ≈ 1,85  (cerca de 17/20)
Empate    23,6%  →  1 ÷ 0,236 ≈ 4,24  (cerca de 13/4)
Spurs   22,3%  →  1 ÷ 0,223 ≈ 4,48  (cerca de 7/2)

As cotações reais serão mais curtas do que essas na maioria dos resultados, porque a margem precisa vir de algum lugar. Nosso guia sobre remover a margem da casa de apostas compara quatro maneiras de removê-la de uma cotação.

As entradas

O modelo só sabe o que está nas suas avaliações. O mercado sabe sobre a lesão na coxa que aconteceu no treino de quinta-feira, o técnico que está a uma derrota de ser demitido, a rotação de jogadores antes de uma noite europeia e a janela de transferências de janeiro que ainda não aconteceu. As casas de apostas também estão gerenciando o risco e reagindo a para onde o dinheiro está fluindo. Alguns modelos públicos invertem a lógica e misturam as cotações do mercado em suas avaliações, o que significa que estão parcialmente copiando o próprio mercado com o qual estão sendo comparados.

Os longshots

As casas de apostas tendem a precificar longshots mais curtos do que sua chance real. Essa é a bem documentada viés favorito-longshot, e por si só significa que os outsiders parecem ter menos valor na casa do que o modelo sugere.

Trate o supercomputador como um checagem de sanidade, não como um tipster. Ele é brilhante em mostrar quanto de probabilidade uma cota está realmente pedindo que você acredite. Ele é ruim em dizer qualquer coisa que o mercado já não saiba.

Comece pela conversão. Um modelo que dá a um time 4% de chance do título está dizendo que as odds justas são 25,0, ou 24/1. Se a melhor cota por aí é 20/1, a casa está implicando cerca de 4,8% (1 ÷ 21). Essa diferença está bem dentro da margem de erro do modelo, então não é uma aposta. Só aja quando a diferença for maior do que a sua confiança nas avaliações por trás dela.

Depois, pergunte por que a diferença existe. Modelos e casas de apostas se alimentam dos mesmos resultados públicos, então uma divergência significativa geralmente significa que o modelo está perdendo algo: uma lesão, um novo técnico, uma reformulação do elenco. Encontre a razão antes de procurar sua carteira.

De semana para semana, os números por jogo são a ferramenta mais útil. Uma vitória em casa com 54,1% de chance tem odds justas de cerca de 1,85. Se te oferecerem algo confortavelmente maior, vale uma olhada de perto; se te oferecerem odds mais curtas, o modelo está dizendo para passar. Para os mercados de título e rebaixamento em si, nosso guia de apostas no título da Premier League e nosso guia de apostas na rebaixação passam pelos concorrentes de 2026/27 em detalhe.

Quer ir mais fundo? Crie o seu próprio. O código de brinquedo acima é um começo funcional, e nosso artigo sobre se o machine learning pode vencer as casas de apostas mostra para onde os modelos sérios levam isso a seguir.

Nosso veredito: o supercomputador é um tradutor excelente, mas um oráculo ruim. Use-o para transformar opiniões em cotações, não para escolher vencedores por você.

• Converta cada porcentagem em cotação justa antes de olhar para um bookmaker. É uma conta de dez segundos, e impede que um número de manchete se passe por valor.
• Ignore as oscilações no título no início da temporada. Em setembro e outubro, os resultados são principalmente as avaliações da temporada passada, e o mercado já precificou as mudanças do verão.
• Nunca trate a porcentagem mais alta como uma aposta. Um favorito de 30% fica fora do título sete vezes em dez, e a cotação tem que refletir isso.
• Respeite as caudas. Um lado de "1%" ainda vence cerca de 100 de 10.000 temporadas. O Leicester a 5000-1 é o lembrete.
• Desconfie de grandes lacunas entre o modelo e o mercado. Lacunas pequenas são ruído; grandes geralmente significam que o modelo perdeu notícias de times. Investigue antes de apostar.
• Apoie-se nos números por jogo. Probabilidades de partida única são mais precisas e muito mais fáceis de comparar com uma cotação do que apostas de título para a temporada inteira.

Seja o que você apostar, aposte uma unidade fixa e sensata e avalie-se ao longo de uma longa sequência de apostas, não em um fim de semana.

• Guia de apostas no título da Premier League 2026/27
• Apostas na rebaixação da Premier League 2026/27
• Como criar um modelo de apostas esportivas: o guia completo
• IA nas apostas esportivas: a aprendizagem de máquina pode vencer as casas de apostas?
• Avaliações Elo explicadas: como a matemática dos xadrez classifica times de futebol

18+. Aposte com responsabilidade. Para suporte gratuito e confidencial, visite BeGambleAware.org.