Guia completo sobre estatística nas apostas esportivas

Por Bruno Favoretto · 18/08/2026

Apostar em esportes envolve resultados imprevisíveis. Mas imprevisibilidade não significa ausência de padrões estatísticos.

Ao analisar uma grande quantidade de partidas, determinados comportamentos podem ser medidos, comparados e transformados em probabilidades. É justamente aí que entra a estatística nas apostas esportivas.

Taxa de acerto, média, variância, desvio padrão, distribuição de resultados, tamanho da amostra, correlação, regressão e valor esperado são algumas das ferramentas que ajudam a transformar uma sequência de resultados em informação.

No Esporte com Valor, a estatística é utilizada não para tentar prever o resultado de uma partida isolada, mas para entender o comportamento de mercados ao longo de uma amostra.

O que é estatística?

De forma simplificada, estatística é a área da matemática dedicada à coleta, organização, análise e interpretação de dados.

No futebol, podemos transformar partidas em números:

gols;
finalizações;
escanteios;
cartões;
posse de bola;
resultados;
odds;
taxa de acerto;
ROI;
desempenho por campeonato;
desempenho por mercado.

Uma partida isolada pode dizer pouco.

Milhares de partidas podem revelar padrões muito mais interessantes.

Por que a estatística é importante nas apostas?

Imagine um mercado de Over 1,5 gols.

Em uma amostra de 10 partidas:

9 acertos = 90%

Parece excelente.

Mas e se analisarmos 1.000 partidas?

Suponha que encontremos:

720 acertos = 72%

A segunda informação é muito mais robusta.

Isso demonstra uma regra básica:

Uma porcentagem sem o tamanho da amostra pode ser enganosa.

Por isso, uma análise estatística séria precisa observar não apenas o resultado, mas também quantos eventos produziram aquele resultado.

População e amostra

Dois conceitos fundamentais são:

População

É o conjunto completo que queremos estudar.

Exemplo:

Todos os jogos de uma determinada liga durante uma temporada.

Amostra

É uma parte dessa população utilizada para realizar a análise.

Exemplo:

300 jogos selecionados de diferentes temporadas.

Na prática, muitas análises de apostas trabalham com amostras porque é impossível ou pouco eficiente analisar absolutamente todos os eventos possíveis.

O problema é garantir que a amostra seja suficientemente representativa.

Taxa de acerto

A taxa de acerto é uma das métricas mais conhecidas.

A fórmula é:

Taxa de acerto = Acertos ÷ Total de apostas

Imagine:

600 acertos;
1.000 apostas.

Então:

600 ÷ 1.000 = 60%

A taxa de acerto é 60%.

É uma informação importante, mas não é suficiente para determinar se uma estratégia é lucrativa.

Taxa de acerto não é rentabilidade

Considere duas estratégias.

Estratégia A

Acerto: 70%
Odd média: 1,40

Estratégia B

Acerto: 45%
Odd média: 2,50

A primeira acerta muito mais.

Mas a segunda pode ser mais rentável dependendo da relação entre preço e probabilidade.

Por isso, uma análise estatística precisa combinar:

Taxa de acerto + odds + resultado financeiro.

É aqui que métricas como ROI e valor esperado entram.

Média

A média é uma das medidas estatísticas mais simples.

Imagine que cinco partidas tenham produzido:

1, 2, 2, 3 e 4 gols

A média é:

(1 + 2 + 2 + 3 + 4) ÷ 5 = 2,4 gols

A média pode ser útil para analisar:

gols por partida;
finalizações;
escanteios;
cartões;
odds;
lucro por aposta.

Mas ela também possui limitações.

Um conjunto com valores muito diferentes pode apresentar a mesma média de outro conjunto muito mais equilibrado.

Mediana

A mediana representa o valor central de uma sequência ordenada.

Exemplo:

1, 1, 2, 3, 8

A mediana é:

A média seria:

O resultado de 8 aumentou bastante a média.

A mediana, por outro lado, permaneceu mais próxima do comportamento central da amostra.

Em algumas análises, portanto, observar média e mediana simultaneamente pode revelar informações que uma única métrica esconderia.

Moda

A moda é o valor que aparece com maior frequência.

No futebol, ela pode ser utilizada para observar a frequência dos placares.

Imagine:

1-1, 1-0, 2-1, 1-1, 2-0, 1-1

O placar mais frequente é:

1-1

Esse conceito pode ser interessante em análises de distribuição de resultados.

Mas é importante não confundir frequência histórica com previsão automática.

O fato de um placar ter sido o mais frequente no passado não significa que será o próximo.

Variância

A variância mede o quanto os valores de uma amostra se afastam da média.

Quanto maior a variância, maior a dispersão dos dados.

Em apostas, isso ajuda a entender a volatilidade dos resultados.

Duas estratégias podem apresentar o mesmo ROI médio, mas uma pode oscilar muito mais do que a outra.

Isso faz diferença para quem precisa lidar com períodos de perdas.

Desvio padrão

O desvio padrão é outra medida de dispersão.

Ele ajuda a responder:

Quanto os resultados normalmente se afastam da média?

Imagine duas estratégias com ROI médio semelhante.

A Estratégia A apresenta resultados relativamente estáveis.

A Estratégia B alterna grandes ganhos e grandes perdas.

A segunda terá maior volatilidade.

Essa informação é importante porque retorno e risco não devem ser analisados separadamente.

Variância e sequência de perdas

Uma estratégia pode possuir expectativa positiva e, ainda assim, passar por uma sequência de perdas.

Isso acontece porque resultados individuais possuem variabilidade.

Imagine uma estratégia com:

55% de acerto.

Isso não significa que a cada 100 apostas teremos exatamente:

55 greens e 45 reds.

Podemos ter:

60/40;
50/50;
45/55;
65/35.

Quanto menor a amostra, maior tende a ser a influência do acaso sobre o resultado observado.

A Lei dos Grandes Números

A Lei dos Grandes Números é um conceito fundamental para compreender análises de apostas.

De forma simplificada, quanto maior o número de observações, mais o resultado observado tende a se aproximar da expectativa matemática, desde que as condições relevantes permaneçam estáveis.

Imagine uma moeda justa.

Em 10 lançamentos:

7 caras e 3 coroas

não seria surpreendente.

Em milhões de lançamentos, a proporção tende a se aproximar de:

50% / 50%

Nas apostas, a lógica ajuda a entender por que uma estratégia não deve ser avaliada por poucas operações.

A amostra importa.

Mas uma amostra grande não resolve tudo

Esse ponto é essencial.

Mais dados não significam automaticamente dados melhores.

Imagine que um mercado apresentou 70% de acerto em 5.000 partidas.

Parece uma evidência muito forte.

Mas e se todas essas partidas vierem de um período em que as características do campeonato eram completamente diferentes das atuais?

Ou se o mercado tiver sido selecionado de maneira enviesada?

Ou se houver erro na coleta dos dados?

A qualidade da amostra é tão importante quanto o tamanho.

Viés de seleção

Viés de seleção acontece quando os dados analisados não representam adequadamente o universo que queremos estudar.

Imagine selecionar apenas partidas que terminaram com muitos gols e depois concluir:

“Este campeonato tem uma enorme tendência de Over.”

A conclusão estaria contaminada pela própria forma de seleção.

Em estatística, é fundamental definir os critérios antes de observar os resultados, sempre que possível.

Correlação não significa causalidade

Esse é um dos erros mais comuns na interpretação de dados.

Imagine que uma análise encontre:

Times que têm mais posse de bola vencem mais partidas.

Isso mostra uma associação.

Mas não prova necessariamente que:

“Ter mais posse de bola causa vitórias.”

Pode haver outras variáveis envolvidas:

qualidade técnica;
força do adversário;
mando de campo;
placar;
contexto da partida.

Uma correlação pode ser interessante.

Mas correlação, sozinha, não estabelece causalidade.

Distribuição de probabilidades

Resultados esportivos não acontecem todos com a mesma frequência.

No futebol, alguns placares aparecem muito mais vezes do que outros.

Uma análise estatística pode construir uma distribuição mostrando a frequência de:

0-0;
1-0;
1-1;
2-0;
2-1;
3-1;
e assim por diante.

Essa distribuição pode ajudar na construção de modelos probabilísticos.

Mas novamente:

frequência histórica não é garantia de ocorrência futura.

Distribuição de Poisson

Um dos modelos matemáticos mais conhecidos aplicados ao futebol é a distribuição de Poisson.

Ela pode ser utilizada para modelar o número de eventos ocorrendo em determinado intervalo quando certas condições são assumidas.

No futebol, uma aplicação comum é estimar a distribuição de gols.

Por exemplo, um modelo pode estimar:

expectativa de gols do mandante;
expectativa de gols do visitante.

A partir dessas estimativas, é possível calcular probabilidades para diferentes placares.

É uma ferramenta útil, mas não é uma máquina de previsão perfeita.

Modelos dependem das premissas e da qualidade dos dados utilizados.

Regressão e modelos estatísticos

Modelos mais sofisticados podem incorporar diversas variáveis simultaneamente.

Por exemplo:

força ofensiva;
força defensiva;
mando de campo;
gols marcados;
gols sofridos;
xG;
forma recente;
desempenho como mandante;
desempenho como visitante.

Modelos de regressão podem tentar identificar como essas variáveis estão relacionadas a determinado resultado.

Outros métodos podem utilizar:

regressão logística;
modelos Poisson;
árvores de decisão;
machine learning;
simulações de Monte Carlo.

Quanto mais complexo o modelo, porém, não significa necessariamente que ele seja melhor.

Complexidade não substitui qualidade dos dados.

Overfitting: quando o modelo aprende demais

Um dos maiores riscos em modelagem estatística é o overfitting.

Isso acontece quando um modelo se ajusta excessivamente aos dados históricos e passa a capturar até mesmo ruídos específicos daquela amostra.

O resultado pode ser um modelo excelente no passado e ruim no futuro.

Imagine um modelo que apresenta:

ROI histórico de +25%

mas foi construído utilizando tantas regras e filtros que praticamente “decorou” aquela base.

Quando aplicado a novos jogos, o desempenho pode desaparecer.

Por isso, é importante testar modelos em dados que não foram utilizados na construção da estratégia.

Backtest não é garantia de futuro

Backtest significa testar uma estratégia utilizando dados históricos.

Ele pode responder:

“Como essa estratégia teria se comportado no passado?”

Não pode responder com certeza:

“Como ela vai se comportar amanhã?”

Essa diferença é fundamental.

Um backtest pode apresentar excelente desempenho e ainda assim falhar quando as condições do mercado mudarem.

Out-of-sample e validação

Uma maneira de reduzir o risco de overfitting é separar os dados.

Por exemplo:

Dados de treinamento: utilizados para construir o modelo.

Dados de validação: utilizados para testar ajustes.

Dados de teste: utilizados para avaliar o desempenho em dados não utilizados anteriormente.

A ideia é verificar se o modelo consegue generalizar.

Em outras palavras:

ele aprendeu uma relação estatística ou apenas decorou os dados?

Intervalo de confiança

Quando calculamos uma taxa de acerto, existe incerteza sobre o valor verdadeiro.

Imagine:

60 acertos em 100 apostas = 60%

Não significa que a verdadeira taxa da estratégia seja exatamente 60%.

A estimativa possui incerteza estatística.

Um intervalo de confiança ajuda a representar essa incerteza.

Quanto maior a amostra, em condições semelhantes, maior tende a ser a precisão da estimativa.

Por isso:

60% em 20 apostas

é uma evidência muito diferente de:

60% em 2.000 apostas.

Valor esperado

A estatística também é fundamental para calcular o valor esperado (EV).

Uma forma simples:

EV = (Probabilidade × Odd) − 1

Imagine:

Probabilidade estimada: 55%
Odd: 2,00

Então:

EV = (0,55 × 2,00) − 1

EV = +10%

Isso significa que existe expectativa matemática positiva caso a estimativa de 55% seja correta.

Mas existe uma condição fundamental:

a probabilidade precisa ser uma boa estimativa da realidade.

Se a probabilidade estiver errada, o cálculo do EV também estará.

Odds e estatística precisam caminhar juntas

Imagine dois mercados:

Mercado A

Taxa histórica: 70%
Odd: 1,30

Mercado B

Taxa histórica: 50%
Odd: 2,20

O Mercado A possui maior taxa de acerto.

Mas o Mercado B pode apresentar uma relação preço/probabilidade mais interessante.

Por isso, a análise estatística não deve terminar na pergunta:

“Quantas vezes acertou?”

A pergunta mais importante é:

“Quanto o preço pago por esses acertos representa?”

Estatística e ROI

ROI é uma das métricas mais importantes para transformar resultados em desempenho financeiro.

A fórmula básica:

ROI = Lucro ÷ Total apostado

Imagine:

Total apostado: R$ 10.000
Lucro: R$ 500

Então:

ROI = 500 ÷ 10.000 = 5%

Uma análise estatística completa pode cruzar o ROI com:

taxa de acerto;
odd média;
quantidade de apostas;
drawdown;
desvio padrão;
período;
mercado;
campeonato.

Isso produz uma visão muito mais completa da estratégia.

A importância da odd média

A mesma taxa de acerto pode produzir resultados completamente diferentes dependendo das odds.

Imagine:

Estratégia A

60% de acerto com odd média 1,50.

Estratégia B

60% de acerto com odd média 2,00.

Apesar da taxa de acerto ser igual, o preço recebido é diferente.

Por isso, uma planilha de análise deve registrar não apenas:

acertou ou errou

mas também:

qual era a odd?

O que uma boa base de dados deve registrar?

Para analisar apostas estatisticamente, quanto melhor a base, melhor a análise.

Uma estrutura pode conter:

data;
horário;
campeonato;
equipes;
mercado;
odd;
resultado;
acerto/erro;
lucro;
stake;
banca;
ROI.

Também podem ser adicionadas variáveis específicas de cada mercado.

Quanto mais organizada a base, maior a capacidade de identificar padrões e testar hipóteses.

Como analisar um mercado corretamente?

Um processo simples poderia seguir estas etapas:

1. Defina o mercado

Exemplo:

Over 1,5 gols.

2. Defina a população

Quais campeonatos?

Qual período?

Quais temporadas?

3. Colete os dados

Registre todas as ocorrências relevantes.

4. Calcule a taxa de acerto

Acertos ÷ jogos

5. Analise as odds

Qual era a odd média?

Qual era a distribuição das cotações?

6. Calcule a odd justa

1 ÷ taxa estimada

7. Calcule ROI

Quanto a estratégia teria produzido financeiramente?

8. Analise a variância

Qual foi a volatilidade?

9. Observe o drawdown

Qual foi a maior queda?

10. Teste fora da amostra

O comportamento continua aparecendo em dados novos?

Esse processo é muito mais robusto do que simplesmente procurar a maior porcentagem em uma planilha.

O perigo de encontrar padrões em excesso

Quando analisamos milhares de dados, eventualmente encontraremos padrões.

Alguns serão reais.

Outros serão apenas acaso.

Imagine testar 100 mercados diferentes.

Mesmo que nenhum possua vantagem verdadeira, alguns podem apresentar resultados extraordinários simplesmente por variabilidade aleatória.

Quanto mais hipóteses testamos, maior é a possibilidade de encontrar algo que parece significativo por acaso.

Esse problema é conhecido como múltiplas comparações.

Por isso, resultados extraordinários precisam ser testados novamente.

Estatística não é bola de cristal

Esse é talvez o ponto mais importante.

A estatística não elimina a incerteza.

Ela ajuda a quantificá-la.

Um modelo pode dizer:

“Este evento possui 65% de probabilidade.”

Isso significa que ainda existe aproximadamente 35% de probabilidade de o evento não acontecer.

A estatística trabalha com probabilidades, não com certezas.

O que realmente importa?

Uma análise estatística de apostas deve tentar responder algumas perguntas:

A amostra é grande o suficiente?

Os dados são confiáveis?

A amostra representa o mercado estudado?

O resultado é estatisticamente consistente?

Qual é a odd média?

Existe valor esperado?

Qual foi o ROI?

Qual foi o drawdown?

O resultado continua funcionando fora da amostra?

O padrão pode ser explicado ou é apenas uma coincidência?

Essas perguntas são muito mais importantes do que simplesmente encontrar uma taxa de acerto elevada.

Conclusão

A estatística não transforma o futebol em algo previsível.

Ela transforma resultados em dados.

E dados bem analisados podem ajudar a entender probabilidades, medir desempenho, identificar variabilidade e avaliar se determinado comportamento merece ser investigado mais profundamente.

Uma taxa de acerto de 80% pode ser impressionante.

Mas 80% em dez eventos é uma informação.

80% em milhares de eventos é outra.

Da mesma forma, um ROI positivo não significa automaticamente que existe uma vantagem permanente. É preciso investigar a amostra, as odds, a variância, o drawdown e a possibilidade de que o resultado tenha surgido por acaso.

No Esporte com Valor, a estatística não é utilizada para procurar certezas.

É utilizada para fazer perguntas melhores.

Porque, no fim das contas, apostar com dados não significa tentar adivinhar o próximo resultado. Significa entender melhor a incerteza.