Escolar Documentos
Profissional Documentos
Cultura Documentos
umeros
`
a luz do Futebol
No ensino medio talvez tenham nos ensinado que para sabermos a
probabilidade de um determinado evento, temos de contar, dentre todas
as possibilidades em questao, quais s ao os casos que lhe correspondem.
Ou mais precisamente
(1) probabilidade =
n
o
de casos favoraveis
n
o
de casos possveis
.
H a pelo menos dois problemas serios na denic ao acima. O primeiro
e de ordem computacional, i.e., o total de casos a serem considera-
dos pode ser assustadoramente grande. Imagine o leitor, por exemplo
em um campeonato de futebol com 20 times, o que signicaria casos
possveis a 15 rodadas do nal. Levando-se em conta somente o re-
sultado de cada jogo vit oria de um, de outro, ou empate em uma
rodada sao 3
10
os cenarios imagin aveis. Em 15 rodadas este n umero
sobe para 3
150
. Bem, em tese, 3
150
(aproximadamente 3 10
71
) e ate
trat avel em um compudador. De fato, para sistemas criptogr acos
seguros s ao usados c odigos de tamanho ate 2
1024
, como e o caso da
nova codicac ao do Banco do Brasil, por exemplo. Agora, o que e ab-
solutamene impraticavel e gerar em tempo nito todos os universos
possveis. Assim, por exemplo, se cada caso fosse gerado em 1 milesimo
de segundo, o computador gastaria 1, 1810
59
seculos para gerar todos
eles.
Mas mesmo supondo fossem nossos computadores de uma gerac ao
vindoura, capazes de arrostar grandezas estelares, ainda assim per-
sistiria um outro problema, agora de ordem pratica: todos sabemos
que nem o primeiro colocado vai perder seus 15 jogos restantes, muito
menos o ultimo colocado vencer 15 jogos em sequencia. H a muitos
cen arios que devem ser descartados ou, ao menos, nao tem direito de
entrar na conta casos possveis com o mesmo peso do que outros
cen arios bem mais viaveis.
PROBABILIDADES NO FUTEBOL 3
Isto nos leva a reetir sobre o pr oprio conceito de probabilidade.
O fato e que no incio do seculo passado, alguns probabilistas se de-
votaram a responder precisamente esta mesma pergunta: anal de
contas, o que e probabilidade?. O problema se inseria dentro de um
contexto mais amplo: a Geometria tambem se perguntava sobre o que
e um ponto, a Teoria dos Conjuntos sobre o que e um conjunto, e
a
Algebra sobre o que e um n umero. O resultado deste esforco e
o que se conhece por axiom atica e a resposta ` as perguntas acima
foi a seguinte: ponto, conjunto, n umero e tambem probabilidade, sao
conceitos que n ao se denem. A grosso modo, simplesmente est ao a
e podem ser reconhecidos pelas propriedades que satisfazem.
Ent ao probabilidade e isto: algo que n ao se dene, mas que existe,
e que satisfaz algumas regras.
E logico que e um pouco decepcionante.
Pior, as tais regras nao e que sejam assim tantas. O principal nome
associado a elas e o de Kolmogorov, e para que o leitor tenha uma
ideia, se lhe perguntassemos, por exemplo, quais as chances de um
time sagrar-se campe ao brasileiro, se limitaria a dizer:
(i) a probabilidade de um time ser campeao e pelo menos 0%;
(ii) a probabilidade de um time mineiro ser campeao e a soma das
probabilidades de Atletico e Cruzeiro o serem;
(iii) a probabilidade de um time brasileiro ser campe ao e 100%,
e caramos na d uvida ser ele matem atico ou poltico.
O que realmente surpreende e que, na realidade, a resposta acima
fornece todos os elementos necess arios para que possamos de fato esti-
mar a probabilidade de um determinado time ser campe ao brasileiro.
Ou seja, dos Axiomas de Kolmogorov dos quais os tres itens acima
s ao mera adaptac ao se deduz matematicamente a Lei dos Grandes
N umeros, e esta sim fundamenta um metodo de calculo de probabili-
dades bem preciso, i.e., o metodo de simula coes.
Em outras palavras, tomando como ponto de partida o que existe de
mais b asico capaz de tipicar o verbete probabilidade, ou seja, que
esta oscila entre 0 e 1 e que para uniao disjunta, soma-se probabilidades
(Axiomas de Kolmogorov) segue-se um resultado importantssimo: a
probabilidade de um evento e a razao entre o n umero de ocorrencias
do mesmo e o n umero de ensaios quando este tende a innito (Lei dos
Grandes N umeros). Ou mais precisamente
(2) probabilidade = lim
n
n
o
de ocorrencias em n ensaios
n
.
Portanto, se quisermos realmente saber qual a probabilidade de um
dado time ser campeao, o que temos de fazer e repetir in umeros campe-
onatos e ver em quantos deles o clube leva a melhor. Quanto mais
4 PROBABILIDADES NO FUTEBOL
edic oes, mais preciso o c alculo. Um total de 3 ttulos em 4 campeonatos
jogados e bem menos signicativo do que, digamos, 612 conquistas em
1000 disputas. A probabilidade real da equipe erguer a ta ca n ao e entao
de 75%, como a princpio se cogitava, mas gira em em torno de 60%.
Ora, o leitor arrazoado dir a que e impossvel repetir mil campeonatos
e com raz ao. Mas nao iremos realizar mil campeonatos e sim sim-
ular n ao s o mil, mas milhares e ate milhoes deles se for necassario.
O computador faz isto em segundos ou quando muito minutos. Tudo
o que temos de fazer e ensina-lo a sortear de forma judiciosa o re-
sultado de cada jogo. Na Se cao 2 propomos um modelo de c alculo
que esperemos elucide o leitor e nas pr oximas subsec oes daremos uma
roupagem formal a tudo o que foi dito acima. A equa cao (2) sera ap-
resentada com rigor no Teorema 1.10, a equacao (1) corresponder a ao
caso de equiprobabilidade.
1.1. Espacos de Probabilidade. Nesta subsec ao introduzimos os
primeiros conceitos em teoria de probabilidades, chamando a aten cao
do leitor apenas para o fato de que nossos espacos de probabilidades
ser ao aqui sempre nitos.
Denicao 1.1 (Axiomas de Kolmogorov). Seja um conjunto
nito e nao vazio e P() o conjunto das partes de , i.e., o conjunto
dos subconjuntos de . Seja P : P() R uma funcao. O par (, P)
e dito um espaco de probabilidades se P satisfaz:
(i) P(A) 0 para todo A P();
(ii) P(A
1
A
2
) = P(A
1
) + P(A
2
) se A
1
e A
2
sao disjuntos.
(iii) P() = 1.
O conjunto e denominado espaco amostral e seus subconjuntos sao
chamados de eventos. A funcao P e dita probabilidade.
E facil ver da denicao acima que para todo evento A P() temos
0 P(A) 1. De fato, se A
c
e o complementar de A em ent ao
0 P(A) P(A) + P(A
c
) = P() = 1.
O exemplo que mais nos interessa e o espaco amostral constitudo
pelos resultados possveis de um campeonato em que todos os times
se enfrentam. No caso mais simples, que ja podemos chamar campe-
onato, ha tres times, digamos G,R,C (de Galo, Raposa e Coelho, por
exemplo) e tres jogos:
Jogo 1 : GR
Jogo 2 : GC
Jogo 3 : R C
PROBABILIDADES NO FUTEBOL 5
e digamos que a sequencia GCE signica que G venceu o primeiro
jogo, C o segundo e houve empate no terceiro. O espaco amostral que
queremos e ent ao
=
_
_
_
GGR GGE GGC GER GEE GEC GCR GCE GCC
EGR EGE EGC EER EEE EEC ECR ECE ECC
RGR RGE RGC RER REE REC RCR RCE RCC
_
_
_
.
A cada uma das sequencias acima est a associado um n umero que oscila
entre 0 e 1 que e justamente a sua probabilidade de ocorrencia. E a
soma destes 27 n umeros e 1. Usando a pontuac ao usual por jogo, e
supondo que dois ou tres times que empatam em pontos na primeira
colocac ao sao decretados campe oes, temos que o evento G e campe ao
corresponde ao subconjunto de dado por
(3) A =
_
_
_
GGR GGE GGC GER
GEE GEC GCR EGR
EGE EGC EEE RGC
_
_
_
cuja probabilidade e a soma das probabilidades de ocorrencia de cada
uma das sequencias acima. No caso de um campeonato com 20 times
onde estes se enfrentam em turno e returno, como, por exemplo, e o
Brasileir ao, o espaco amostral teria 3
380
elementos.
Para , seja p
A
p
.
Em termos menos formais, se formos realizar um sorteio onde e o
conjunto das op coes de nosso sorteio, ent ao p
e a probabilidade do
resultado do sorteio ser .
Um caso particular de extrema importancia e quando assumimos que
todos os possveis resultados do nosso sorteio s ao equiprov aveis, isto
e, p
4
=
e, por exemplo, para o elemento (GEC, REE, REC, GGC)
4
vemos
que G e campe ao no primeiro e no quarto campeonato, vice no segundo
e ultimo no terceiro. Podemos tambem passar do evento G campeao
correspondente ao conjunto A de 12 elementos denido em (3) para
um novo evento, digamos, G campe ao do segundo campeonato, que
8 PROBABILIDADES NO FUTEBOL
corresponderia ao subconjunto de
4
com 12 27
3
elementos
A
2,4
= A .
Repare o leitor que aparece na primeira, terceira e quarta compo-
nentes acima pois, se o nosso enfoque e o segundo campeonato, tudo
pode acontecer nos demais. Isto motiva a deni cao a seguir.
Denicao 1.4. O espaco produto de ordem n de (, P) e o espaco
de probabilidades (
n
, P
n
) tal que
P
n
:
n
[0, 1]
= (
1
, . . . ,
n
) p
1
. . . p
n
onde p
i
= P({
i
}).
De modo menos formal, diremos que (
n
, P
n
) e a repeticao de n en-
saios independentes de (, P). A independencia acima diz respeito
ao modo como foi denida a func ao P
n
, que faz com que eventos de
ensaios distintos sejam independentes. No caso da repetic ao de nossos
campeonatos, a probabililidade de G ser campe ao, digamos, no setimo
deles independe de seu desempenho nas versoes anteriores e nem inu-
encia resultados em disputas futuras.
Denimos ent ao a vari avel aleat oria I
i
(A) :
n
{0, 1} dada por
I
i
(A)() :=
_
1 se
i
A
0 se
i
/ A
que indica justamente a ocorrencia de A no i-esimo dos n ensaios in-
dependentes de (, P).
Para n os ser a especialmente importante a vari avel aleatoria
S
n
(A) :=
n
i=1
I
i
(A)
que conta quantas vezes ocorreu A em n ensaios.
Denicao 1.5. Duas variaveis aleatorias X, Y : R sao ditas
independentes se para todo par de conjuntos , R os eventos
A = X
1
() e B = Y
1
() sao independentes.
Um exerccio importante que o leitor pode fazer e mostrar que para
todo evento A de um espaco amostral , as vari aveis aleat orias I
i
(A)
e I
j
(A) sao independentes sempre que i = j.
PROBABILIDADES NO FUTEBOL 9
1.3. Esperanca. Introduzimos na sequencia um dos principais con-
ceitos em Teoria de Probabilidades.
Denicao 1.6. A esperanca de uma variavel aleatoria X : e
E(X) =
P(X = ).
Calculando a esperanca nos exemplos que vimos, temos que para
a variavel aleat oria X, denida anteriormente, que avalia a posic ao
de G ao nal do mini-campeonato, E(X) = p
1
+ 2p
2
+ 3p
3
onde p
i
e a probabilidade de G car em i-esimo lugar. Ja para a variavel
aleat oria X : {0, 1, 2, 3, 4, 6} que mede a soma dos pontos de G,
E(X) = p
1
+2p
2
+3p
3
+4p
4
+6p
6
onde p
i
e a probabilidade de G car
com i pontos.
Sejam c R e X, Y vari aveis aleat orias em . Seja A evento
com probabilidade p. Segue da deni cao que
(i) E(c) = c ;
(ii) E(cX) = cE(X) ;
(iii) E(X + Y ) = E(X) + E(Y ) ;
(iv) E(I
A
) = p ;
(v) E(I
i
(A)) = p para 1 i n.
Denicao 1.7. A covariancia entre X, Y : R e
cov(X, Y ) := E(XY ) E(X)E(Y )
e a variancia de X e
V (X) := cov(X, X).
Deixamos a cargo do leitor mostrar que se duas variaveis aleatorias
X e Y s ao independentes entao cov(X, Y ) = 0, ou equivalentemente,
E(XY ) = E(X)E(Y ). Para ilustrarmos que a covari ancia entre duas
vari aveis aleatorias pode ser n ao nula, considere dois eventos A, B .
i=1
x
i
I
A
i
com A
i
= X
1
(x
i
). Ent ao
E(X) =
n
i=1
x
i
P(A
i
)
x
i
x
i
P(A
i
)
x
i
P(A
i
) = P(X )
e segue o resultado.
1.4. Lei dos Grandes N umeros. Nesta subse cao demonstramos a
Lei Fraca dos Grandes N umeros, cuja prova pode ser adaptada para
se obter o resultado que mais nos interessa, qual seja, o Teorema 1.10
abaixo, que e justamente a formaliza cao da equac ao (2).
Teorema 1.9 (Lei Fraca dos Grandes N umeros). Seja {X
i
}
iN
seq uencia de variaveis aleatorias tais que cov(X
i
, X
j
) = 0 se i = j e
V (X
i
) c para algum c R e todo i N. Entao, para todo > 0,
lim
n
P
_
X
1
+ + X
n
n
E(X
1
+ + X
n
)
n
_
= 0.
Prova. Temos
P
_
n
i=1
X
i
n
E(
n
i=1
X
i
)
n
_
= P
_
_
i=1
X
i
E(X
i
)
2
n
2
2
_
_
E ((
n
i=1
X
i
E(X
i
))
2
)
n
2
2
=
i
V (X
i
) + 2
i<j
cov(X
i
, X
j
)
n
2
c
n
2
onde, na primeira desigualdade acima, foi utilizada a desigualdade de
Chebyshev e na segunda, as hipoteses sobre a sequencia {X
i
}
iN
.
Teorema 1.10. Seja (, P) um espaco de probabilidade e A um
evento com probabilidade p. Seja S
n
(A) a variavel aleatoria, denida
anteriormente, que conta o n umero de ocorrencias de A em n ensaios
independentes. Entao, para todo > 0,
lim
n
P
n
_
S
n
(A)
n
p
_
= 0.
PROBABILIDADES NO FUTEBOL 11
Prova.
E verbatim a prova do teorema anterior, trocando P por P
n
e
X
i
por I
i
(A). Note ent ao que V (I
i
(A)) = p p
2
, que desempenha o
papel de c e que cov(I
i
(A), I
j
(A)) = 0 para i = j posto que I
i
(A) e
I
j
(A) sao independentes neste caso.
Em palavras, o teorema acima nos diz que se realizarmos um grande
n umero de observac oes independentes sobre um determinado evento,
ent ao a raz ao entre o n umero de ocorrencias do mesmo e o n umero
de observac oes converge para a probabilidade do evento acontecer.
Esta armac ao, antes dos Axiomas de Kolmogorov, era a base da
teoria frequencista, que dava `a teoria de probabilidades um carater,
a princpio, mais emprico que matematico. A dedu cao da Lei dos
Grandes N umeros a partir dos Axiomas de Kolmogorov nos mostra
que o empirismo em quest ao j a nao guarda mais eventuais resqucios
pejorativos que o termo possa ter (teste, tentativa, suposic ao, aprior-
ismo, etc). Muito pelo contr ario, o frequencismo passa a ser entao a
nossa grande ferramenta para se estimar probabilidades que (sempre)
desconhecemos. Mais ainda, esta muito bem fundamentado do ponto
de vista te orico, com todo o rigor matem atico.
2. Um modelo de C
alculo de Probabilidades
Como dissemos antes, o modo de se estimar probabilidades em fute-
bol e simples e de certa forma comum aos diferentes modelos. A ideia
e partir da situacao atual do campeonato, e simular os jogos restantes.
Ao nal, o computador gera a classicac ao dos times e a registra. De-
pois, volta a fazer o mesmo in umeras vezes e no termino do processo ja
est a apto a divulgar as probabilidades que nos interessam. Se, por ex-
emplo, queremos saber a probabilidade de um dado time ser campeao,
basta ver a proporcao entre as simulac oes em que terminou lder sobre
o total de simulac oes.
Para determinar o resultado de um jogo Ax B, o computador recebe
dois vetores de probabilidade (PV
A
, PE
A
, PD
A
) e (PV
B
, PE
B
, PD
B
),
que s ao as probabilidades de vitoria, empate e derrota de A e B, re-
spectivamente. A partir destes dados, forma-se o vetor probabilidade
do jogo, que e
P
AxB
=
_
PV
A
+ PD
B
2
,
PE
A
+ PE
B
2
,
PD
A
+ PV
B
2
_
onde as tres coordenadas sao, na ordem, as probabilidades de vit oria de
A, empate, e vitoria de B. Supondo, e.g., que P
AxB
= (0.5, 0.2, 0.3), o
que o computador faz e dividir o intervalo [0,1] em tres partes: [0, 0.5],
(0.5, 0.7) e [0.7, 1]. E ent ao sorteia um n umero aleat orio entre 0 e 1 (ele
12 PROBABILIDADES NO FUTEBOL
sabe como fazer isto). Se, por exemplo, o n umero sorteado foi 0.4579,
ent ao o resultado do jogo e vitoria de A. Depois de simular uma rodada,
atualizam-se todos os vetores de probabilidades de todos os times, de
acordo com os resultados da rodada, e simula-se a rodada seguinte.
Repare o leitor que na proxima simulac ao do campeonato, o resultado
de Ax B pode ser diferente, seja porque o computador sorteou um
n umero diferente, seja porque os pr oprios vetores probabilidades dos
times estao agora diferentes.
O modelo proposto pelos autores destas linhas cujos c alculos efe-
tivos encontram-se disponveis em www.mat.ufmg.br/futebol consiste
em atribuir a cada time participante do campeonato, na verdade, dois
vetores de probabilidade
PC=(PVC, PEC, PDC) e PF=(PVF, PEF, PDF)
onde PVC, PEC e PDC s ao, respectivamente, as probabilidades de
vit oria, empate e derrota do clube em uma partida jogando como man-
dante (em casa), e PVF, PEF e PDF seguem a mesma logica, desta
feita sendo a equipe em quest ao visitante (joga fora de casa).
As condic oes impostas aos vetores acima para que sejam, de fato,
vetores de probabilidade e que suas coordenadas devem ser n umeros
n ao-negativos que somem 1, ou seja, nenhum time tem chance nega-
tiva de vencer, ou empatar, ou perder um jogo e, alem disso, e claro,
vit oria, empate ou derrota s ao as unicas possibilidades aceit aveis.
A cada rodada, os vetores s ao realimentados. Se o time jogou como
mandante, muda-se o seu vetor mandante, e o mesmo vale para seu
vetor visitante, caso o jogo foi fora de casa. A ideia de se tratar um
mesmo time como dois diferentes um em casa, e outro fora dela
n ao e nenhum tipo de esquizofrenia futebolstica. Ao contr ario, reete
apenas o modo como a torcida, ou o pr oprio campo onde a equipe
habitualmente joga, podem inuenciar no desempenho do clube. Em
suma, jogos iguais em campos distintos, s ao distintos.
A quest ao chave e como atualizar os vetores de probabilidades de
duas equipes que se enfrentam, apos a realizacao do jogo. Pode-se
dizer que isto e o que distingue os diferentes modelos de previs ao. A
primeira premissa da qual partimos e a de que, se um time vence uma
partida, aumenta sua probabilidade de vencer a partida seguinte. A
premissa reete algo quase intuitivo no futebol: tem mais chance de
vencer quem vence mais. Alem disso, este aumento na probabilidade
de vitoria e tanto maior quanto melhor for o time derrotado. Analoga-
mente, se o time perde uma partida, aumenta sua probabilidade de
perder o pr oximo jogo e o aumento e tanto maior quanto pior for seu ad-
vers ario. Claramente, existem in umeras maneiras objetivas para medir
PROBABILIDADES NO FUTEBOL 13
a qualidade de um time, como a colocacao na tabela de classica cao, o
n umero de vit orias, etc. O par ametro que adotamos e o rendimento
dado por
r =
n
o
de pontos conquistados
n
o
de pontos disputados
.
Podemos entender o modo como modicamos os tais vetores de prob-
abilidade, atraves de um exemplo. Vamos supor que houve o jogo Fla-
mengo x Palmeiras, que foi disputado no Maracan a, e que o Flamengo
saiu-se vencedor do confronto. Ent ao o novo vetor de Flamengo como
mandante, digamos PC
1
Fla
, e obtido a partir do vetor anterior, digamos
PC
0
Fla
, da seguinte forma
PC
1
Fla
=
p PC
0
Fla
+ r
Pal
(1, 0, 0)
p + r
Pal
onde r
Pal
e o rendimento do Palmeiras (que tambem deve ser modi-
cado para o proximo jogo) e p e o peso que damos ao passado. Por
exemplo, se p = 0 ent ao o que passou n ao conta para nada, e o fato de
que o Flamengo venceu o Palmeiras no Maracana implicaria em que, a
partir de agora, vencer a todas as partidas que disputar em casa, o que
e um absurdo. Por outro lado, se damos a p um valor muito alto, os
vetores de probabilidade seguem quase que inalterados jogo a jogo. Ou
seja, p indica a sensibilidade dos times em relacao ao resultado de uma
partida.
E tanto mais alto quanto menos o time se afeta. Isto varia de
time para time, e claro, mas em nosso modelo padronizamos que p = 5
para todas as equipes. Com isso, os vetores de probabilidade de cada
clube reetem, com uma boa precis ao, os seus 10 ultimos jogos (sendo
5 como mandante e 5 como visitante). Com relac ao ao rendimento, o
que a f ormula acima diz e que, se o Palmeiras tivesse, por exemplo,
um rendimento muito baixo, ent ao a vit oria do Flamengo n ao seria
t ao signicativa a ponto de alterar substancialmente suas chances de
vit oria.
De modo semelhante, apos a derrota no Maracan a, o vetor visitante
do Palmeiras e modicado da seguinte forma
PF
1
Pal
=
p PF
0
Pal
+ (1 r
Fla
) (0, 0, 1)
p + (1 r
Fla
)
.
Na formula acima aparece 1 r
Fla
(e nao r
Fla
, como na anterior) pois
o raciocnio se inverte: perder, por exemplo, para um time hipotetico
que sempre vence (r = 1) n ao signica absolutamente nada (1 r = 0
e o vetor probabilidade ca intacto).
Como se viu pelo c alculo acima, em caso de vit oria (resp. derrota)
de um dos times, reforca-se a ideia de que vencer (resp. perder) uma
14 PROBABILIDADES NO FUTEBOL
partida aumenta a probabilidade de vencer (resp. perder) a pr oxima,
uma vez que a componente PV (resp. PD) aumenta e as demais com-
ponentes diminuem.
Contudo, o mesmo n ao se aplica em caso de empate entre as equipes.
Ou seja, empatar uma partida n ao implica que aumente as chances
de empatar a proxima e diminuam as chances de vencer ou perder.
De fato, suponhamos que um time, jogando como visitante, empatasse
com o lder do campeonato. Certamente, a sua probabilidade de vencer
uma partida, como visitante, tambem deve ser aumentada. Da mesma
forma, se o empate e com o lanterna do campeonato, a probabilidade
de perder a proxima partida tambem deve ser aumentada. A grosso
modo, empate com time bom e meia vit oria, empate com time ruim
e meia derrota.
O modo como pomos isto em n umeros e o seguinte. Voltemos a
Flamengo x Palmeiras no Maracan a, e suponha que houve empate. Se
r
Pal
1/2, entao o Palmeiras n ao e considerado um time tao forte, e
atualizamos o novo vetor probabilidade do Flamengo como mandante
da seguinte forma
PC
1
Fla
=
p PC
0
Fla
+ (1 2 r
Pal
) (0,
1
2
,
1
2
) + 2 r
Pal
(0, 1, 0)
p + 1
.
Ou seja, (0,
1
2
,
1
2
) e a tal meia derrota que dissemos acima e (0, 1, 0) e
o empate puro. Entendemos melhor a formula considerando os casos
extremos. Se o Palmeiras tiver rendimento normal, i.e., r
Pal
= 1/2,
ent ao o segundo termo do numerador se anula e o terceiro e (0, 1, 0), ou
seja, o Flamengo realmente empatou com o Palmeiras. Mas supondo,
hipoteticamente, que o Palmeiras sequer pontuou no campeonato, seu
rendimento e nulo e o terceiro termo do numerador desaparece, sendo
o segundo igual (0,
1
2
,
1
2
). Ou seja, neste caso o Flamengo teve uma
meia derrota para o Palmeiras apesar de ter, na pratica, empatado
o jogo. Os casos intermedi arios 0 < r
Pal
< 1/2 correspondem ` a media
convexa entre os vetores (0,
1
2
,
1
2
) e (0, 1, 0) dependendo do rendimento
do Palmeiras.
Agora, se o Palmeiras vem forte no campeonato, digamos com rendi-
mento r
Pal
> 1/2 entao o empate do Flamengo esta mais para meia
vit oria e seu vetor probabilidade e atualizado do seguinte modo
PC
1
Fla
=
p PC
0
Fla
+ (2 r
Pal
1) (
1
2
,
1
2
, 0) + 2(1 r
Pal
) (0, 1, 0)
p + 1
.
Ap os o empate, o vetor probabilidade do Palmeiras como visitante e at-
ualizado de forma absolumente analoga levando em conta o rendimento
r
Fla
do Flamengo.
PROBABILIDADES NO FUTEBOL 15