EV, Variância e Tamanho Amostral: Quantas Apostas para Provar Habilidade Real?

1. Introdução: a Falácia dos Históricos de Curto Prazo

Em finanças quantitativas e teoria da decisão estatística, o desempenho realizado é entendido como uma mistura ruidosa de dois componentes: habilidade sistemática (Valor Esperado, $+\text{EV}$) e ruído estocástico irredutível (variância). Nas apostas esportivas, porém, quase todos confundem lucro passado com competência preditiva. Um apostador recreativo com ROI de +18% em 150 apostas de futebol é tratado como gênio, enquanto um modelo quantitativo com vantagem verificada de +4% que sofre um drawdown de -6% em 300 apostas é descartado como obsoleto.

Essa distorção cognitiva é conhecida na economia comportamental como viés de resultado, agravado pela Lei dos Pequenos Números (Tversky e Kahneman, 1971): a crença equivocada de que amostras pequenas refletem fielmente as propriedades da população. Em ambientes de alta variância, as trajetórias financeiras de curto prazo dizem quase nada sobre a expectativa matemática de longo prazo.

Quantas apostas são necessárias para rejeitar a hipótese de sorte com 95% ou 99% de confiança? Como a volatilidade da aposta cresce com a odd? Como calcular intervalos de confiança rigorosos para o yield observado?

Este texto técnico formula a matemática do tamanho de amostra nas apostas esportivas. Derivamos a variância de uma aposta, aplicamos o Teorema Central do Limite para obter intervalos de confiança, formalizamos a equação do tamanho de amostra necessário ($N^{\ast }$), avaliamos o Brier Score para a calibração de probabilidades, apresentamos uma tabela calculada a partir da fórmula e fornecemos um script em Python para testar significância estatística.

2. A Variância de uma Única Aposta: o Multiplicador de Volatilidade

Considere uma proposição binária com odd decimal $O$, probabilidade real de vitória $p$ e de derrota $q=1-p$. Seja $R$ o retorno líquido aleatório por unidade apostada ($S=1$):

Valor Esperado

A esperança matemática do retorno $𝔼[R]=\mu$ é:

Variância

A variância do retorno de uma aposta $\text{Var}(R)={\sigma }^2$ vem do segundo momento central:

Expandindo e simplificando os termos:

3. Teorema Central do Limite: a Distribuição do Retorno em N Apostas

Suponha que o analista faça $N$ apostas independentes com a mesma distribuição de retorno $(\mu ,{\sigma }^2)$. Pelo Teorema Central do Limite de Lindeberg-Lévy, quando $N\to \infty$, o retorno médio ${\bar{R}}_N=\frac{1}{N}{\sum }_{i=1}^N{R}_i$ converge em distribuição para uma normal:

O erro padrão do retorno médio ($\text{SE}$) é:

Daí vem uma propriedade estatística fundamental: a incerteza do ROI observado cai com a raiz quadrada do tamanho da amostra ($\sqrt{N}$). Para reduzir a margem de erro pela metade, é preciso quadruplicar a amostra.

4. Teste de Hipótese e Intervalos de Confiança

Para saber se um histórico reflete vantagem real ou sorte, formulamos um teste de hipótese:

• Hipótese Nula ($H_0$): $\mu \le 0$ (o apostador não tem vantagem; os resultados são regidos pelo acaso e pela margem da casa).
• Hipótese Alternativa ($H_1$): $\mu >0$ (o apostador tem habilidade $+\text{EV}$ estatisticamente comprovável).

A Estatística de Teste (Z-Score)

Sob a hipótese nula, o Z-score padronizado é:

Para o nível de confiança padrão de 95% (significância $\alpha =0.05$ em teste unicaudal), o valor crítico é $z_{0.05}=1.645$. Para 99%, $z_{0.01}=2.326$.

Intervalo de Confiança Bicaudal de 95% para o Yield Real

Se o analista registra um yield de ${\bar{R}}_N=+5.0\%$ em $N=400$ apostas com odd 2,00 ($\sigma =1.00$), o intervalo de confiança de 95% é:

Como o intervalo inclui o zero, a hipótese nula não pode ser rejeitada. Apesar do ROI de +5%, o apostador não consegue distinguir estatisticamente seu desempenho de pura sorte.

5. Derivação Analítica do Tamanho de Amostra: a Fórmula $N^{\ast }$

Para saber quantas apostas ($N^{\ast }$) são necessárias para rejeitar a hipótese de ausência de vantagem com poder estatístico $1-\beta$ e nível de significância $\alpha$, igualamos o Z-score esperado ao limite crítico:

Com os parâmetros padrão ($\alpha =0.05⟹z_{\alpha }=1.645$ e poder de $80\%⟹z_{\beta }=0.842$, logo $z_{\alpha }+z_{\beta }\approx 2.487$):

A equação mostra que o tamanho de amostra necessário é inversamente proporcional ao quadrado da vantagem ($1/{\text{EV}}^2$). Se a vantagem cai pela metade, são necessárias quatro vezes mais apostas.

6. Tabela: Tamanho de Amostra Necessário por Odd e Vantagem

A tabela abaixo mostra o tamanho mínimo de amostra $N^{\ast }$ necessário para significância estatística ao nível de 95% ($p<0.05$, poder de 80%) para diferentes odds e vantagens, calculado pela fórmula acima com $p=(1+\text{EV})/O$:

Para uma vantagem de 2,5% a 3,0% com odd 1,95, o analista precisa de cerca de 6.500 a 9.400 apostas antes que o lucro realizado, sozinho, consiga descartar a sorte nesse nível.

7. Calibração de Probabilidades e o Brier Score

Como o lucro converge muito devagar, os analistas também verificam a calibração das probabilidades, que usa a probabilidade prevista de cada aposta e não apenas o resultado. A principal regra de pontuação é o Brier Score (Brier, 1950):

Onde $p_i$ é a probabilidade estimada pelo modelo e $y_i\in \{0,1\}$ é o resultado real. O Brier Score se decompõe em Confiabilidade (Calibração), Resolução e Incerteza. Um modelo claramente mal calibrado pode aparecer no componente de confiabilidade antes que o histórico de lucro diga algo definitivo.

8. Implementação em Python: Teste de Significância Estatística

Abaixo está um script em Python que avalia qualquer histórico de apostas, calcula o Z-score, constrói o intervalo de confiança de 95% e estima quantas apostas ainda faltam para confirmar a vantagem.

# betting_significance_tester.py
import numpy as np
from scipy import stats

def evaluate_betting_record(odds_list, outcomes_list, alpha=0.05):
    # Evaluates statistical significance of a betting track record.
    odds = np.array(odds_list, dtype=np.float64)
    outcomes = np.array(outcomes_list, dtype=np.float64) # 1 for win, 0 for loss
    n = len(odds)
    
    # Net returns per unit staked: (O - 1) if win else -1
    returns = np.where(outcomes == 1, odds - 1.0, -1.0)
    
    sample_mean_roi = np.mean(returns)
    sample_std = np.std(returns, ddof=1)
    standard_error = sample_std / np.sqrt(n)
    
    # Z-test against null hypothesis of ROI <= 0
    z_score = sample_mean_roi / standard_error
    p_value_one_tailed = 1.0 - stats.norm.cdf(z_score)
    
    # 95% Confidence Interval for ROI
    z_crit = stats.norm.ppf(1.0 - alpha / 2.0)
    ci_lower = sample_mean_roi - z_crit * standard_error
    ci_upper = sample_mean_roi + z_crit * standard_error
    
    # Required sample size for 80% power at current observed edge
    if sample_mean_roi > 0:
        n_required = int(np.ceil(((1.645 + 0.842) * sample_std / sample_mean_roi)**2))
    else:
        n_required = np.nan
        
    return {
        'num_bets': n,
        'observed_roi_percent': sample_mean_roi * 100.0,
        'z_score': z_score,
        'p_value': p_value_one_tailed,
        'statistically_significant': p_value_one_tailed < alpha,
        'ci_95_roi_percent': (ci_lower * 100.0, ci_upper * 100.0),
        'bets_needed_for_significance': n_required
    }

if __name__ == '__main__':
    # 500 bets at 1.95 odds with 54% win rate (+5.3% ROI)
    np.random.seed(42)
    synthetic_odds = [1.95] * 500
    synthetic_outcomes = np.random.binomial(1, 0.54, 500)
    
    results = evaluate_betting_record(synthetic_odds, synthetic_outcomes)
    for k, v in results.items():
        print(f"{k}: {v}")

9. Viés de Sobrevivência e a Ilusão do "Tipster Vencedor"

Suponha que 1.000 tipsters recreativos façam, cada um, 500 apostas aleatórias com vantagem zero. Pelas propriedades da distribuição normal, cerca de 130 deles vão mostrar ROI de +5% ou mais apenas por acaso (13,2% cada, como no destaque acima). Esses sortudos lançam serviços pagos, publicam nas redes sociais que têm superioridade analítica e atraem capital ingênuo.

Sem entender tamanho de amostra e variância, os investidores caem no viés de sobrevivência: observam os vencedores visíveis e ignoram os cerca de 870 restantes que desapareceram. Avaliar tipsters pelo Closing Line Value (CLV) e pelo tamanho de amostra necessário é a proteção mais confiável contra o viés de sobrevivência.

10. Assimetria e Zebras

Ao aplicar o Teorema Central do Limite aos retornos de apostas, os momentos superiores importam: assimetria e curtose. Em retornos assimétricos, como apostas em zebras com baixa probabilidade de vitória e pagamento alto, a convergência para a distribuição normal é mais lenta; o limite de Berry-Esseen para o erro dessa aproximação cresce com o terceiro momento do retorno. Em apostas com odds acima de 4,00, a cauda direita longa faz com que intervalos de confiança normais simétricos subestimem o tamanho de amostra realmente necessário. As expansões de Cornish-Fisher permitem ajustar os limites de confiança a essa assimetria.