No futebol, dois times podem ter a mesma média de gols, finalizações ou pontos e, ainda assim, apresentar comportamentos completamente diferentes. É por isso que olhar apenas para a média pode esconder parte importante da história.
Uma das primeiras coisas que fazemos ao analisar dados de futebol é calcular médias.
Média de gols por jogo.
Média de finalizações.
Média de posse de bola.
Média de pontos conquistados.
Média de xG.
É uma forma rápida de transformar dezenas de partidas em um único número.
Mas existe um problema.
Um único número pode resumir uma distribuição sem necessariamente explicar como ela se comporta.
Imagine dois times que disputaram cinco partidas.
Time A
Time B
Os dois marcaram 7 gols.
Portanto, ambos possuem média de:
1,4 gol por partida.
Se olharmos apenas para a média, os dois ataques parecem iguais.
Mas eles não se comportaram da mesma maneira.
O Time A teve uma produção relativamente concentrada entre um e dois gols.
O Time B alternou partidas sem marcar com jogos de três gols.
É nesse ponto que entram mediana e desvio-padrão.
A média: quanto o time produz, em média?
A média aritmética é simples:
soma dos valores ÷ número de observações.
Se uma equipe marcou 30 gols em 20 partidas:
30 ÷ 20 = 1,5 gol por jogo.
É uma medida extremamente útil.
Podemos utilizá-la para comparar:
- gols marcados;
- gols sofridos;
- xG;
- finalizações;
- chutes no alvo;
- escanteios;
- posse de bola;
- pontos;
- cruzamentos;
- passes progressivos.
O problema surge quando existem valores extremos.
Imagine um atacante que marcou:
0, 0, 1, 1, 1, 0, 5
A média é de:
1,14 gol por partida.
Mas ele marcou cinco gols em apenas um jogo.
A média está matematicamente correta.
O que pode ser enganoso é transformar essa média em uma descrição automática do comportamento habitual do jogador.
A mediana: o que está no centro dos dados?
Para encontrar a mediana, colocamos os valores em ordem e procuramos o elemento central.
No exemplo:
0, 0, 0, 1, 1, 1, 5
A mediana é 1.
Temos então:
Média: 1,14
Mediana: 1
As duas informações são importantes.
A média incorpora toda a produção do jogador.
A mediana mostra o valor central da distribuição sem ser tão influenciada pelo jogo de cinco gols.
No futebol, isso pode ser particularmente útil porque uma única partida fora da curva pode alterar significativamente uma média.
Exemplo: finalizações de um time
Considere as finalizações de uma equipe em sete partidas:
8, 9, 10, 10, 11, 12, 25
A média é de aproximadamente 12,1 finalizações por jogo.
A mediana é 10.
Por que existe essa diferença?
Porque o jogo com 25 finalizações puxou a média para cima.
Se a pergunta for:
“Quantas finalizações o time produziu, em média, durante esse período?”
A média responde muito bem.
Mas se a pergunta for:
“Qual foi o volume de finalizações mais representativo dessas partidas?”
A mediana pode oferecer uma perspectiva diferente.
Essa distinção é importante no jornalismo de dados.
Não basta apresentar o número. É preciso saber o que ele está representando.
O desvio-padrão mostra a regularidade
Agora imagine duas equipes com exatamente a mesma média de finalizações:
10 finalizações por partida.
Time A
9, 10, 10, 10, 11
Time B
3, 6, 10, 14, 17
A média é igual.
Mas a distribuição é muito diferente.
O Time A apresenta resultados próximos da média.
O Time B apresenta resultados muito mais espalhados.
O desvio-padrão é uma medida utilizada para quantificar justamente essa dispersão.
Quanto maior o desvio-padrão, maior é a distância dos valores em relação à média.
Isso permite acrescentar uma informação que a média sozinha não entrega:
O time chega àquela média de maneira estável ou com grande oscilação?
O mesmo número pode esconder dois estilos de jogo
Imagine duas equipes com média de:
1,6 xG por partida.
A primeira registra:
1,4 – 1,5 – 1,6 – 1,7 – 1,8
A segunda:
0,3 – 0,8 – 1,5 – 2,4 – 3,0
A média pode ser semelhante.
Mas o comportamento ofensivo é completamente diferente.
A primeira equipe mantém uma produção relativamente próxima de seu padrão.
A segunda apresenta partidas com volumes ofensivos muito diferentes.
Isso não significa automaticamente que uma equipe seja melhor ou pior.
Significa apenas que a média não conta toda a história da distribuição.
Pontos por jogo: a média também pode enganar
O conceito fica ainda mais fácil de visualizar quando usamos pontos.
Imagine cinco rodadas:
Time A
3, 1, 1, 1, 3
Time B
0, 3, 0, 3, 3
Ambos conquistaram:
9 pontos.
A média é:
1,8 ponto por jogo.
Mas os caminhos foram diferentes.
O Time A passou quatro das cinco rodadas entre um e três pontos.
O Time B alternou derrotas e vitórias.
A média resume a pontuação.
A distribuição mostra como essa pontuação aconteceu.
E a mediana dos pontos?
No Time A:
1, 1, 1, 3, 3
Mediana:
1 ponto.
No Time B:
0, 0, 3, 3, 3
Mediana:
3 pontos.
Essa é uma situação interessante.
Os dois times conquistaram exatamente os mesmos nove pontos.
A média é igual.
Mas a mediana é diferente.
Isso mostra por que diferentes medidas podem responder perguntas diferentes sobre o mesmo conjunto de dados.
A média responde:
Quanto o time conquistou por partida, em média?
A mediana ajuda a responder:
Qual resultado está no centro da distribuição?
E o desvio-padrão ajuda a responder:
Quanto esses resultados oscilaram?
Uma goleada pode mudar a percepção sobre um ataque
Agora imagine os gols marcados por uma equipe em dez partidas:
0, 1, 0, 1, 1, 0, 1, 0, 1, 5
O time marcou nove gols.
A média é:
0,9 gol por jogo.
A mediana é:
0,5 gol por jogo.
O jogo de cinco gols mudou significativamente a média.
Se alguém disser:
“O time marca 0,9 gol por partida.”
A afirmação está correta.
Mas ela não revela que, em metade das partidas, a equipe marcou no máximo um gol — e que uma goleada teve peso importante no cálculo.
Esse é um dos principais cuidados ao trabalhar com médias no futebol.
O desvio-padrão não diz se o time é bom
Existe uma armadilha importante aqui.
Um desvio-padrão alto não significa automaticamente que o time seja ruim ou inconsistente em um sentido negativo.
Ele significa que os dados estão mais dispersos.
A explicação pode estar em vários fatores:
- nível dos adversários;
- mando de campo;
- expulsões;
- estado do placar;
- calendário;
- lesões;
- mudanças táticas;
- contexto das partidas;
- tamanho da amostra.
Uma equipe pode ter grande variação de xG porque enfrenta adversários muito diferentes.
Pode apresentar grande variação de finalizações porque alguns jogos são disputados em bloco baixo e outros contra equipes que deixam mais espaços.
O número descreve a distribuição.
A interpretação exige contexto.
Média, mediana e desvio-padrão trabalhando juntos
Imagine que o Lab do Esporte esteja analisando os gols de uma equipe em 20 partidas.
O levantamento encontra:
Média: 1,8 gol
Mediana: 1 gol
Desvio-padrão: 1,7 gol
Uma análise superficial poderia parar na primeira informação:
“O time marca 1,8 gol por partida.”
Uma análise mais completa percebe que a mediana está bastante abaixo da média e que a dispersão é elevada.
Isso sugere que alguns resultados muito altos tiveram peso relevante sobre a média.
A conclusão não deveria ser que o time “é irregular” simplesmente por causa desses números.
A conclusão mais precisa é:
A produção ofensiva apresentou elevada dispersão na amostra, e a média foi consideravelmente superior à mediana.
A partir daí, podemos investigar por quê.
É exatamente aí que começa uma análise de dados mais interessante.
O tamanho da amostra importa
Existe ainda uma variável que não pode ser ignorada:
quantos jogos estamos analisando?
Imagine que um atacante tenha feito:
0, 0, 0, 4
Sua média é de um gol por partida.
Mas seria precipitado utilizar quatro jogos para afirmar que esse é seu nível habitual.
Agora imagine 38 partidas.
A média, a mediana e o desvio-padrão passam a ser calculados sobre uma quantidade muito maior de observações.
Isso não elimina todos os problemas estatísticos, mas reduz o risco de interpretar uma sequência curta como se fosse um padrão consolidado.
Por isso, qualquer estatística de futebol deveria vir acompanhada de uma pergunta simples:
Em quantas partidas esse número foi calculado?
E se dois times tiverem a mesma média e o mesmo desvio-padrão?
Ainda assim, eles podem apresentar distribuições diferentes.
Esse é um ponto importante.
Medidas-resumo são úteis justamente porque reduzem muitos dados a poucos números.
Mas toda redução perde alguma informação.
Duas distribuições podem compartilhar:
- a mesma média;
- a mesma mediana;
- o mesmo desvio-padrão;
e ainda assim apresentar formatos diferentes.
Por isso, em análises mais avançadas, podemos utilizar também:
- quartis;
- percentis;
- amplitude;
- histogramas;
- boxplots;
- distribuições de frequência;
- coeficiente de variação.
A estatística não termina quando encontramos a média.
Na verdade, muitas vezes é aí que a investigação começa.
Um pequeno exercício do Lab do Esporte
Considere os gols sofridos por um time em oito partidas:
0, 1, 1, 2, 0, 3, 1, 8
Antes de continuar, tente responder:
1. Qual é a média?
2. Qual é a mediana?
3. O que acontece com a média por causa dos oito gols sofridos em uma partida?
A soma é 16 gols.
Portanto:
Média = 2 gols sofridos por partida.
Ordenando os valores:
0, 0, 1, 1, 1, 2, 3, 8
Como existem oito observações, a mediana é a média entre o quarto e o quinto valores:
Mediana = 1
Temos então:
Média = 2
Mediana = 1
Uma única partida com oito gols sofridos fez a média dobrar em relação à mediana.
Isso não torna a média errada.
Ela continua representando perfeitamente o total de gols sofridos dividido pelo número de partidas.
Mas mostra como valores extremos podem alterar a percepção produzida por uma medida de tendência central.
Afinal, qual número explica melhor um time?
A resposta depende da pergunta.
Quer saber a produção média?
Use a média.
Quer identificar o centro da distribuição com menor influência de valores extremos?
Considere a mediana.
Quer saber quanto os resultados variam?
Olhe para o desvio-padrão.
Quer realmente entender o comportamento da equipe?
Use as três medidas em conjunto e acrescente contexto.
Um time que marca 1,8 gol por jogo pode ter uma produção ofensiva extremamente regular ou chegar a essa média graças a algumas goleadas.
Um time que tem 60% de posse de bola pode passar a maior parte dos jogos próximo desse número ou alternar partidas de 45% e 75%.
Um atacante com 0,6 gol por jogo pode marcar regularmente ou concentrar grande parte dos gols em poucas partidas.
A média resume.
A mediana contextualiza.
O desvio-padrão mostra a dispersão.
E a análise começa quando perguntamos o que existe por trás desses números.
No futebol, portanto, talvez a pergunta mais importante não seja:
“Qual é o número?”
Mas sim:
“O que esse número está escondendo?”
Essa é a diferença entre simplesmente coletar estatísticas e fazer análise de dados esportivos.