A Copa do Mundo de 2026 terminou com a Espanha campeã, exatamente como apontavam modelos estatísticos. O balanço do torneio, com a Argentina vice-campeã e o Brasil eliminado pela Noruega, é ocasião para entender como a probabilidade transforma a paixão pelo futebol em estimativas de risco, e o que elas ensinam sobre incerteza e acaso.
Por Francisco Louzada, Paulo Henrique Ferreira, Ricardo Rocha e Fernando Moraes Neto
“Qual a chance do Brasil?” A pergunta, repetida em bares, escritórios e grupos de família a cada edição da Copa, ganhou em 2026 uma resposta mais fundamentada do que o palpite do comentarista. E, pela primeira vez, também ganhou um epílogo. Quando a bola parou, em 19 de julho, no estádio de Nova York, a Espanha vencia a Argentina por 1 a 0, gol de Ferran Torres na prorrogação, e levantava o segundo título de sua história, 16 anos depois do primeiro. Foram 104 jogos, 48 seleções e um campeão que, curiosamente, já ocupava o topo das projeções estatísticas antes de a bola rolar.
Há cerca de vinte anos, o projeto previsão esportiva se dedica a traduzir essa matemática para o público. Criado a partir de estudos iniciados em 2005 e consolidado durante a Copa de 2010, o projeto reúne pesquisadores da USP, UFBA, UFSCar, UFRJ, UFMT e Neoma Business School (França). Em 2010, o modelo recebeu prêmio da Sociedade Brasileira de Pesquisa Operacional pela precisão das previsões. Nas Copas de 2014, 2018 e 2022, o campeão sempre esteve entre os quatro favoritos do modelo. Em 2026, o grupo foi além: abriu ao público o simulador da Copa e publicou, ao longo dos 39 dias de torneio, uma série de nove retratos das probabilidades, recalculados a cada fase e arquivados para que qualquer pessoa pudesse julgar as previsões depois (Previsão esportiva, 2026; Jornal da USP, 2026).
O que significa ter 15% de chance
Se as 48 seleções fossem rigorosamente iguais, a chance de título de cada uma seria de 1 dividido por 48, cerca de 2,08%. Na Copa anterior, com 32 equipes, o cálculo teórico dava 3,125% para cada país. Ninguém, porém, acredita que Brasil e Arábia Saudita partem das mesmas chances, e é justamente essa desigualdade que os modelos estatísticos tentam medir. No retrato publicado em 11 de junho, véspera da estreia, o modelo de força do grupo situava a Espanha na frente, com 15,9% de chance de título, seguida de França (14,8%), Inglaterra (10,3%), Portugal (9,9%), Brasil (8,3%) e Argentina (8,2%). O Brasil era o melhor colocado entre os não europeus; a futura vice-campeã aparecia apenas em sexto (Previsão esportiva, 2026).
Mas o que significa, afinal, dizer que uma equipe tem 15% de chance? A resposta mais intuitiva vem das simulações de Monte Carlo, técnica em que o computador disputa o torneio inteiro milhões de vezes, sorteando resultados a partir das forças relativas de cada seleção. Se, em 1 milhão de Copas simuladas, o Brasil levantar o troféu em 83 mil delas, dizemos que a chance é de 8,3%. A probabilidade não promete o resultado do jogo de amanhã; ela retrata a frequência com que cada desfecho ocorreria se pudéssemos repetir a história muitas vezes. A Espanha era favorita, e ainda assim a taça terminava em outras mãos em 84,1% dos cenários simulados.
Como o modelo enxerga um jogo
A base desses modelos nasceu na academia bem antes da era dos dados massivos. Em 1982, o pesquisador Michael Maher propôs descrever o número de gols de cada equipe por meio da distribuição de Poisson, função de distribuição “estatística” clássica para contar eventos que acontecem em sequência, como gols em um intervalo de tempo (Maher, 1982). A ideia é estimar a força de ataque de um time e a fragilidade defensiva do adversário e, com esses dois ingredientes, calcular a probabilidade de cada placar possível. Em 1997, Mark Dixon e Stuart Coles refinaram o método, incorporando a evolução do desempenho das equipes ao longo do tempo e mostrando que o modelo podia até identificar falhas nas odds das casas de apostas (Dixon; Coles, 1997).
O modelo de força usado na Copa de 2026 combina seis informações sobre cada seleção, normalizadas e somadas com pesos calibrados (tendo como referência a leitura do cenário por uma média de 26 casas de apostas): valor de mercado do elenco (32,8% do peso), histórico em Copas (29,5%), rating Elo, emprestado do xadrez (23%), desempenho recente (9,8%), condição de anfitrião (3,3%) e pontuação Fifa (1,6%) (Previsão esportiva, 2026; Ley; Van de Wiele; Van Eetvelde, 2019). Essa força alimenta um modelo de gols Poisson com a correção de Dixon e Coles para placares baixos e reparte uma média de três gols por partida entre os dois times. A partir daí, o torneio inteiro, dos grupos à final, é simulado 1 milhão de vezes (Previsão esportiva, 2026).
O diferencial do grupo está também na inferência bayesiana, abordagem que combina indicadores objetivos com a opinião de especialistas e “aprende” com cada resultado: parte de uma crença inicial sobre cada seleção e a atualiza a cada jogo, do mesmo modo como um torcedor sensato revisa a própria confiança depois de uma goleada (Blanco; Ferreira; Louzada; Nascimento, 2021). Foi com essa abordagem que pesquisadores do grupo modelaram a Copa de 2006 em artigo publicado no Journal of the Operational Research Society (Suzuki; Salasar; Leite; Louzada-Neto, 2010), e é ela que sustenta a edição bayesiana do simulador, uma segunda leitura, independente, do mesmo torneio.
A zebra não é um erro do modelo
A Copa de 2026 foi generosa com as caudas de baixa probabilidade. A Espanha, favorita, empatou sem gols com Cabo Verde na estreia, em um jogo em que tinha 76,1% de chance de vitória. O Brasil, favorito contra a Noruega nas oitavas, com 61,5% de chance de avançar, foi eliminado por 2 a 1, na maior quebra estatística daquela fase. A França, que chegou às semifinais com a maior probabilidade de título já registrada na série, 38,3%, perdeu por 2 a 0 justamente para a Espanha (Previsão esportiva, 2026). Em novembro de 2022, a vitória da Arábia Saudita sobre a Argentina havia provocado a conclusão apressada de que “a estatística não serve para nada”. O raciocínio correto é outro: se o modelo dava 10% de chance, ele próprio previa que, em dez universos possíveis, esse resultado aconteceria em um. Longe de desmentir o modelo, cada zebra concretizou a cauda de baixa probabilidade que ele sempre esteve disposto a registrar.
O futebol é particularmente generoso com essas caudas porque é um esporte de poucos gols. A média fica em torno de 2,5 gols por partida, e cada lance tem peso desproporcional no placar. Em esportes com dezenas de pontos por jogo, como o basquete, a qualidade técnica tem tempo de se impor; no futebol, um desvio acidental, uma falha individual ou um lance de sorte podem decidir tudo. Estimativas na literatura, como as do matemático David Sumpter, sugerem que algo entre 45% e 50% do resultado de uma partida pode ser atribuído ao acaso. É por isso que o longo prazo é amigo da estatística: em um campeonato de pontos corridos, com dezenas de rodadas, o azar se dilui e a consistência prevalece, o mesmo mecanismo que garante ao cassino lucro no agregado, ainda que perca na mesa individual. Uma Copa do Mundo, decidida em mata-mata de jogo único, não oferece esse tempo. O torneio é um ambiente de alta variância, e é essa variância que o torna irresistível.
Como medir, então, se um modelo é bom? A resposta vem de fora do esporte. Em 1950, o meteorologista Glenn Brier propôs uma métrica que compara as probabilidades anunciadas com os desfechos observados, hoje conhecida como Brier score (Brier, 1950). Pela mesma lógica com que se avalia a previsão do tempo, avalia-se a previsão do futebol. O balanço publicado pelo grupo após a final avaliou as 72 partidas da fase de grupos: o modelo de força acertou o resultado mais provável em 61,1% dos jogos, com Brier de 0,531; a edição bayesiana da modelagem acertou 63,9%, com Brier de 0,549. A diferença, porém, não é estatisticamente significativa, pois os intervalos de confiança se sobrepõem (Previsão esportiva, 2026). Mesmo os melhores modelos acertam o vencedor de uma partida em torno de 60% a 70% das vezes. O número pode parecer modesto, mas revela algo importante: quem espera certeza absoluta está pedindo à estatística o que ela nunca prometeu.
A lição de incerteza
A Copa do Mundo de 2026 ofereceu um exemplo didático do efeito do formato. Suponha que uma seleção tenha 80% de chance em cada jogo do mata-mata. No formato antigo, eram necessárias quatro vitórias seguidas, o que corresponde a 0,8 elevado a 4, ou 41% de chance de título. No novo formato, com cinco jogos, a conta cai para 0,8 elevado a 5, ou 32,7%. Cada partida extra funciona como um novo filtro de risco, mais uma oportunidade para a zebra. O Brasil sentiu o peso desse filtro: saiu nas oitavas, depois de um torneio em que sua chance de título havia oscilado entre 8,3% e 5,3%. Ainda assim, o modelo enxergou a estrutura do torneio com razoável fidelidade: antecipou 26 dos 32 classificados ao mata-mata, manteve o pódio dentro da elite inicial dos dois modelos e viu a Inglaterra, terceira colocada, bater a França por 6 a 4 na disputa do bronze (Previsão esportiva, 2026).
Para o torcedor, há uma recompensa maior do que acertar o campeão. A probabilidade aplicada ao futebol mobiliza os mesmos conceitos da sala de aula, dos eventos independentes à probabilidade condicional, daquela pergunta inevitável: qual a chance de o Brasil ser campeão, dado que caiu na chave da França? Compreender que 15% não é zero, que uma zebra não refuta o modelo e que 60% de acerto pode ser excelência é aprender a ler o mundo em termos de risco, habilidade que serve para interpretar previsões meteorológicas, diagnósticos médicos e notícias sobre economia.
O balanço final do grupo resume a lição sem arrogância: a Espanha começou favorita e terminou campeã, mas isso não transforma 15,9% em 100% retroativamente (Previsão esportiva, 2026). Previsão boa não elimina a surpresa; ela dá tamanho à surpresa antes que o placar nos convença de que tudo era óbvio. O futebol seguirá produzindo zebras, e é bom que produza. A estatística não elimina o suspense que faz do esporte uma paixão, apenas ensina a conviver com ele de forma mais lúcida.
O simulador do Previsão Esportiva segue aberto, com todos os retratos da Copa arquivados, e para quem quiser explorar diferentes cenários e experimentar como mudanças nos pesos e nas variáveis do modelo alteram as previsões. Afinal, se jogarmos a Copa um milhão de vezes, cada torcedor pode, ao menos por alguns minutos, assistir a todas elas. Acesse o nosso simulador: https://previsao2026.vercel.app/simulador.
Francisco Louzada é professor do Instituto de Ciências Matemáticas e Computação da USP
Paulo Henrique Ferreira é professor do Departamento de Estatística da Universidade Federal da Bahia
Ricardo Rocha é professor do Departamento de Estatística da Universidade Federal da Bahia
Fernando Moraes Neto é professor do Departamento de Estatística da Universidade Federal do Mato Grosso
Referências
Blanco, L. B.; Ferreira, P. H.; Louzada, F.; Nascimento, D. C. “Is football/soccer purely stochastic, made out of luck, or maybe predictable? How does bayesian reasoning assess sports?” Axioms, v. 10, n. 4, p. 276, 2021. DOI: 10.3390/axioms10040276
Brier, G. W. “Verification of forecasts expressed in terms of probability”. Monthly Weather Review, v. 78, n. 1, p. 1-3, 1950. DOI: 10.1175/1520-0493(1950)078<0001:VOFEIT>2.0.CO;2
Dixon, M. J.; Coles, S. G. “Modelling association football scores and inefficiencies in the football betting market”. Journal of the Royal Statistical Society: Series C (Applied Statistics), v. 46, n. 2, p. 265-280, 1997. DOI: 10.1111/1467-9876.00065
Jornal da USP. “Simulador da Copa do Mundo transforma previsões em aprendizado de estatística”. 2026. Disponível em: https://jornal.usp.br/universidade/simulador-da-copa-do-mundo-transforma-previsoes-em-aprendizado-de-estatistica/. Acesso em: 28 set. 2026.
Ley, C.; Van de Wiele, T.; Van Eetvelde, H. “Ranking soccer teams on the basis of their current strength: a comparison of maximum likelihood approaches”. Statistical Modelling, v. 19, n. 1, p. 55-73, 2019. DOI: 10.1177/1471082X18817650
Maher M. J. “Modelling association football scores”. Statistica Neerlandica, v. 36, n. 3, p. 109-118, 1982. DOI: 10.1111/j.1467-9574.1982.tb00782.x
Previsão esportiva. “Como transformamos dados de seleções em probabilidades para a Copa de 2026: nota metodológica”. 2026. Disponível em: https://www.previsaoesportiva.com.br/metodologia. Acesso em: 28 set. 2026.
Suzuki, A. K.; Salsar, L. E. B.; Leite, J. G.; Louzada-Neto, F. “A bayesian approach for predicting match outcomes: the 2006 (Association) Football World Cup”. Journal of the Operational Research Society, v. 61, n. 10, p. 1530-1539, 2010. DOI: 10.1057/jors.2009.127