Imagine tentar estimar a força de um time depois de apenas cinco partidas.
Ele venceu quatro e perdeu uma.
É um time excelente?
Agora imagine outro que disputou 30 partidas e venceu 20.
Qual dos dois é mais forte?
A resposta parece simples, mas existe um problema estatístico importante: quanto podemos confiar em uma estimativa quando temos poucos dados?
Esse é um dos problemas que os modelos bayesianos hierárquicos conseguem abordar e é um dos pilares do conceito de modelagem estatística nas apostas esportivas.
Em vez de analisar cada equipe completamente isolada, esses modelos permitem combinar informações individuais com características de um grupo maior. No futebol, isso pode significar considerar simultaneamente o desempenho de uma equipe, a liga em que ela atua e o comportamento geral daquele campeonato.
Nas apostas esportivas, essa abordagem pode ser utilizada para estimar probabilidades de resultados, gols e outros eventos.
O que é um modelo bayesiano?
Antes de entender a parte “hierárquica”, é preciso entender o conceito de inferência bayesiana.
De maneira simplificada, a estatística bayesiana parte de uma ideia:
Uma estimativa pode ser atualizada quando novas informações aparecem.
Imagine que, antes da temporada, você tenha uma determinada expectativa sobre a força de uma equipe. Depois dos primeiros jogos, surgem novos dados e, a partir daí, o modelo combina a expectativa inicial com as novas evidências e produz uma estimativa atualizada.
Esse processo pode continuar ao longo da temporada.
Em termos matemáticos, a ideia central é representada pelo Teorema de Bayes:
P(θ | dados) ∝ P(dados | θ) × P(θ)
Não é necessário decorar a fórmula para entender o conceito.
Ela representa, essencialmente, a atualização de uma crença inicial a partir das evidências observadas.
E o que significa “hierárquico”?
É aqui que o modelo fica especialmente interessante para o futebol.
Em um modelo tradicional, poderíamos estimar a força de cada equipe separadamente.
No modelo hierárquico, as equipes podem fazer parte de grupos.
Por exemplo:
Nível 1 — Partidas
Cada jogo fornece informações.
↓
Nível 2 — Equipes
Os resultados ajudam a estimar ataque e defesa.
↓
Nível 3 — Competições
As equipes pertencem a ligas com características próprias.
Assim, o modelo não precisa tratar cada equipe como uma ilha.
Ele pode aprender simultaneamente sobre:
- força ofensiva;
- força defensiva;
- mando de campo;
- força média da competição;
- diferenças entre equipes;
- incerteza das estimativas.
Um exemplo simples
Imagine duas equipes.
Equipe A
10 jogos:
- 8 vitórias;
- 1 empate;
- 1 derrota.
Equipe B
3 jogos:
Olhando apenas para a taxa de vitórias:
Equipe A = 80%
Equipe B = 100%
Seria tentador concluir que a Equipe B é melhor.
Mas três partidas representam uma amostra muito pequena.
Um modelo bayesiano hierárquico pode “puxar” a estimativa da Equipe B em direção à média do grupo quando existe pouca informação.
Esse fenômeno é conhecido como shrinkage, ou contração.
Quanto menos dados temos sobre uma equipe, maior tende a ser a influência da informação compartilhada pelo grupo.
Conforme novos jogos são disputados, a estimativa individual pode se afastar dessa média caso os dados forneçam evidências suficientes.
Por que isso é interessante para apostas?
Porque o futebol apresenta uma quantidade enorme de situações em que temos poucos dados.
Imagine:
- uma equipe recém-promovida;
- um treinador novo;
- um jogador que mudou de clube;
- uma competição com poucos jogos;
- uma equipe que disputa poucos confrontos internacionais;
- um time de uma liga com pouca informação histórica.
Uma média simples pode produzir uma estimativa extremamente instável.
O modelo hierárquico permite incorporar uma estrutura de informação compartilhada.
Isso pode produzir estimativas mais conservadoras quando a amostra é pequena.
Estimando gols
Uma das aplicações mais interessantes está na modelagem de gols.
Um modelo simples poderia assumir que os gols marcados por uma equipe seguem uma distribuição de Poisson.
Podemos representar, por exemplo, a expectativa de gols do mandante como:
λₘ = exp(μ + ataqueₘ – defesaᵥ + mando)
E a expectativa do visitante:
λᵥ = exp(μ + ataqueᵥ – defesaₘ)
Onde:
- μ representa o nível médio de gols;
- ataque representa a força ofensiva da equipe;
- defesa representa a força defensiva;
- mando representa o efeito de jogar em casa.
A partir dessas estimativas, podemos calcular probabilidades para diferentes placares.
Por exemplo:
0-0
1-0
1-1
2-1
2-2
e assim por diante.
A soma dessas probabilidades pode então ser utilizada para estimar mercados como:
- Over 1,5;
- Over 2,5;
- Under 2,5;
- Ambas marcam;
- vitória;
- empate;
- dupla chance.
Onde entra a hierarquia?
Imagine que você tenha dados de várias ligas.
Brasileirão.
Premier League.
La Liga.
Serie A.
Bundesliga.
Não necessariamente queremos assumir que todas as competições possuem exatamente o mesmo comportamento.
Mas também pode ser ruim tratar cada liga como um universo completamente independente.
Um modelo hierárquico pode permitir que cada competição tenha seus próprios parâmetros, enquanto esses parâmetros são relacionados por uma distribuição comum.
Em outras palavras:
Cada liga é diferente, mas existe informação compartilhada entre elas.
Isso é particularmente interessante quando algumas competições possuem muitos dados e outras possuem poucos.
O efeito do mando de campo
O mando também pode ser tratado dentro dessa estrutura.
Em vez de simplesmente assumir que jogar em casa adiciona uma quantidade fixa de gols para todos os campeonatos, podemos permitir que esse efeito varie.
Por exemplo:
Brasileirão → efeito de mando A
Premier League → efeito de mando B
La Liga → efeito de mando C
O modelo aprende essas diferenças a partir dos dados.
E ainda podemos estimar a incerteza associada a cada parâmetro.
Essa última parte é uma característica importante da abordagem bayesiana.
Não é apenas uma previsão: existe incerteza
Esse talvez seja um dos aspectos mais interessantes para as apostas.
Imagine que dois modelos produzam:
Modelo A: 60% de probabilidade
Modelo B: 60% de probabilidade
À primeira vista, parecem iguais.
Mas o modelo bayesiano pode fornecer uma distribuição de probabilidade para o parâmetro, permitindo observar o grau de incerteza daquela estimativa.
Uma equipe com muitos dados pode apresentar uma estimativa mais estável.
Outra com poucos jogos pode apresentar uma distribuição muito mais ampla.
Isso muda a interpretação.
Em vez de simplesmente dizer:
“A equipe tem força ofensiva de 1,50.”
podemos trabalhar com algo próximo de:
“A estimativa central é 1,50, mas existe uma incerteza relevante em torno desse valor.”
Para quem trabalha com probabilidades, essa informação é extremamente importante.
Probabilidade não é certeza
Assim como acontece com XGBoost, um modelo bayesiano não prevê o futuro com certeza.
Ele produz estimativas probabilísticas.
Imagine que o modelo estime:
Over 2,5 = 56%
A odd justa seria:
1 / 0,56 = 1,79
Se o mercado oferecer 2,00, existe uma diferença entre a estimativa e o preço.
Mas isso não significa que a aposta necessariamente vencerá.
O jogo pode terminar 0-0.
Uma aposta com valor esperado positivo pode perder.
O objetivo de um modelo probabilístico é avaliar a qualidade do preço ao longo de uma grande quantidade de decisões, e não acertar cada partida individualmente.
Bayesianismo e atualização ao longo da temporada
Existe outra vantagem conceitual.
Imagine uma equipe que começa a temporada com uma determinada estimativa de força.
Depois de cinco jogos, o modelo recebe novos dados.
Depois de dez.
Depois de vinte.
A estimativa pode ser atualizada progressivamente.
Isso é muito mais interessante do que simplesmente recalcular uma média histórica toda vez que uma nova partida acontece.
O modelo pode combinar:
informação anterior + novos dados + estrutura da competição
para chegar a uma nova distribuição de probabilidade.
É justamente a lógica de atualização bayesiana aplicada ao esporte.
O conceito de “shrinkage”
O shrinkage merece atenção porque é uma das características mais úteis dos modelos hierárquicos.
Imagine que um time tenha marcado muitos gols em apenas três partidas.
Uma abordagem ingênua poderia interpretar isso como uma evidência muito forte de um ataque excepcional.
Um modelo hierárquico tende a ser mais cauteloso.
Ele pode considerar que parte daquele desempenho provavelmente seja consequência da variância natural de uma amostra pequena.
Assim, a estimativa é parcialmente puxada em direção à média do grupo.
Conforme a quantidade de dados aumenta, o peso da informação individual cresce.
É uma maneira estatística de dizer:
“Tenho evidências, mas ainda não tenho dados suficientes para acreditar completamente nelas.”
Isso pode ajudar a evitar exageros
Nas apostas esportivas, esse conceito é particularmente interessante porque o mercado frequentemente reage a sequências recentes.
Uma equipe pode vencer três partidas consecutivas.
Outra pode marcar muitos gols em um curto período.
Uma terceira pode sofrer uma sequência inesperada de derrotas.
O problema é determinar quanto dessas informações representa uma mudança real de força e quanto é apenas variância.
Modelos hierárquicos oferecem uma maneira estruturada de lidar com essa questão.
Eles não ignoram os resultados recentes.
Mas também não precisam tratá-los como uma transformação completa da força da equipe.
E o valor esperado?
Depois de estimar as probabilidades, podemos voltar ao conceito de valor esperado.
Suponha que o modelo estime:
Probabilidade = 58%
Odd justa:
1 / 0,58 = 1,72
Se o mercado oferece:
1,90
temos uma diferença entre o preço de mercado e a estimativa do modelo.
Uma forma simplificada de calcular o EV seria:
EV = (0,58 × 1,90) – 1
EV = 0,102
Ou aproximadamente:
+10,2%
Novamente, isso depende de uma premissa fundamental:
a probabilidade de 58% precisa ser uma estimativa razoavelmente bem calibrada.
Se o modelo estiver sistematicamente superestimando determinados eventos, o EV calculado no papel pode não existir na prática.
Calibração é fundamental
Um modelo que produz probabilidades precisa ser avaliado também pela sua calibração.
Se um conjunto de eventos recebe probabilidade próxima de 70%, esperamos que aproximadamente 70% deles aconteçam em uma amostra suficientemente grande.
Isso é diferente de simplesmente medir acurácia.
Um modelo pode acertar muitos resultados e ainda produzir probabilidades mal calibradas.
Para apostas, essa diferença é importante porque a probabilidade é utilizada para transformar o modelo em uma odd justa.
Como seria um projeto na prática?
Um projeto de modelagem bayesiana para futebol poderia seguir uma estrutura como:
1. Coleta de dados
Resultados, gols, mando, desempenho e outras informações disponíveis antes das partidas.
↓
2. Organização por equipe e competição
Cada equipe recebe parâmetros próprios e cada campeonato recebe sua estrutura específica.
↓
3. Definição do modelo
Ataque, defesa, mando e outros efeitos.
↓
4. Distribuições anteriores
O modelo estabelece expectativas iniciais para os parâmetros.
↓
5. Atualização com os resultados
Os dados observados atualizam as distribuições.
↓
6. Geração das probabilidades
O modelo estima resultados e mercados.
↓
7. Conversão em odds justas
Probabilidade → odd justa.
↓
8. Comparação com o mercado
Odd disponível → possível diferença de preço.
↓
9. Backtest
Verificação do desempenho em dados que não foram utilizados para construir o modelo.
↓
10. Avaliação
ROI, EV, calibração, Log Loss, Brier Score e drawdown.
Bayesiano hierárquico x XGBoost
Os dois podem ser utilizados no mesmo universo, mas possuem características diferentes.
O XGBoost é excelente para encontrar relações complexas entre muitas variáveis e produzir previsões.
O modelo bayesiano hierárquico é particularmente interessante quando queremos representar explicitamente parâmetros, grupos, incerteza e atualização das estimativas.
Uma comparação simplificada:
| Característica | XGBoost | Bayesiano hierárquico |
|---|
| Relações não lineares | Muito forte | Depende da especificação |
| Dados tabulares | Excelente | Excelente |
| Interpretação dos parâmetros | Mais difícil | Mais direta |
| Incerteza das estimativas | Não é o foco principal | Elemento central |
| Dados agrupados | Pode utilizar | Naturalmente adequado |
| Poucos dados por grupo | Pode exigir cuidado | Pode usar informação compartilhada |
| Atualização probabilística | Não é seu foco | Uma característica central |
Isso não significa que um seja “melhor” que o outro.
São ferramentas diferentes para problemas diferentes.
E os dois podem trabalhar juntos?
Sim.
Uma abordagem interessante seria utilizar um modelo bayesiano para estimar a força estrutural das equipes e um algoritmo como XGBoost para explorar relações adicionais entre diversas variáveis.
Também é possível comparar os modelos.
Por exemplo:
Modelo A: Poisson tradicional
Modelo B: Bayesiano hierárquico
Modelo C: XGBoost
Depois, todos podem ser avaliados no mesmo período fora da amostra.
O vencedor não deveria ser escolhido simplesmente pelo maior número de acertos.
A comparação poderia considerar:
- qualidade das probabilidades;
- calibração;
- Log Loss;
- Brier Score;
- ROI;
- drawdown;
- estabilidade ao longo do tempo.
O verdadeiro valor está na modelagem
Modelos bayesianos hierárquicos não são uma fórmula mágica para apostas.
Seu valor está em oferecer uma maneira sofisticada de lidar com um problema que aparece o tempo todo no futebol:
temos diferentes equipes, diferentes competições, diferentes quantidades de dados e diferentes níveis de incerteza.
Em vez de olhar apenas para uma média de resultados, podemos construir um sistema que considere simultaneamente o desempenho individual e o contexto em que ele ocorreu.
Isso permite transformar uma sequência de resultados em algo mais próximo de uma estimativa probabilística estruturada.
E essa talvez seja a principal diferença entre simplesmente analisar estatísticas e construir um modelo.
Nas apostas esportivas, a pergunta não precisa ser apenas:
“Quantas vezes isso aconteceu?”
Pode ser:
“Qual é a probabilidade de isso acontecer novamente, considerando o que sabemos sobre essa equipe, essa competição e a incerteza dos dados?”
É nesse espaço que os modelos bayesianos hierárquicos podem se tornar uma ferramenta poderosa para a análise esportiva baseada em dados.