top of page

Jul 17, 2026

Quem previu melhor? Copa do Mundo 2026

Kawan Duarte

Previsão de 21 de junho - https://www.sigmasociety.net/article/copa_kawan


Kawan Duarte é autor de melhor previsão da Copa no Brasil e entre as melhores do mundo, à frente de grandes universidades, superando o grupo de universidades Previsão Esportiva, que conta com pesquisadores da USP, UFSCar, UFBA, UFRJ, UFMT e Neoma Business School da França.


Parabéns ao Kawan pelo excelente trabalho!


Kawan é membro de Sigma Society, Immortal Society, medalhista em olimpíadas científicas e campeão de Xadrez.


Conheça o método detalhado no abaixo:


Quem previu melhor? Copa do Mundo 2026

Kawan Duarte

Copa 2026 · 16 seleções acompanhadas · 5 etapas pontuadas · julho de 2026


Resumo. No fim da 1ª rodada publiquei, para 16 seleções, a probabilidade de alcançar cada etapa da Copa 2026, um modelo bayesiano congelado. Com os finalistas definidos (Espanha × Argentina), meço tudo por RPS/Brier: contra FGV EMAp (2 snapshots) e Previsão Esportiva (3 snapshots) no torneio; contra Goldman Sachs, Oxford e University of Reading no pré-torneio.


Introdução

Para o leitor não familiarizado com modelos probabilísticos: este artigo não busca identificar quem "acertou o campeão", mas sim qual modelo estimou melhor as probabilidades ao longo de toda a competição. Em previsões probabilísticas, um bom modelo não é aquele que apenas acerta o resultado final, mas aquele que atribui probabilidades mais próximas do que efetivamente acontece, de forma consistente entre todas as seleções e etapas do torneio.


1. O que é medido

Cada fonte publica, por seleção, p = P(alcançar a etapa). Cada previsão vira um erro (p − o)², com o ∈ {0,1} o ocorrido; a média sobre as 16 seleções é o RPS da etapa (menor é melhor).

Comparo previsões como publicadas, cada uma no seu snapshot: o meu é o do fim da 1ª rodada; os rivais entram com todos os snapshots que divulgaram, inclusive os posteriores ao meu, caso da Previsão Esportiva (Força) e da FGV no fim da 2ª rodada. No pré-torneio, todos congelados antes da estreia.


2. Método

  • Transcrição exata do publicado (FGV e Oxford com 2 casas, Previsão Esportiva com 1, Reading em inteiros); as minhas, os inteiros do heatmap publicado, efeito do arredondamento medido: 0,00002 de RPS.

  • Validação: 16/16 seleções por fonte, monotonicidade em todas.

  • Verdade = chaveamento real até a final; “campeão” ainda não pontua.


3. Resultado bruto

4. Duas objeções, quatro réguas

(a) Ruído. 16 observações por etapa; RPS de etapa isolada é ruidoso.

(b) Escala. As etapas vivem em escalas diferentes (≈0,05 nos 16-avos, ≈0,24 nas quartas); na média simples, as fases de mata-mata dominam o placar (Figura 1).

Quatro agregações que não herdam a escala das etapas:

  • RPS relativo: RPS da fonte ÷ RPS médio das fontes na etapa; abaixo de 1,00, a fonte erra menos que a média das fontes; 16-avos→final.

  • Rank médio: posição média nas etapas disputadas.

  • Skill score: 1 − RPS/RPS_base, contra a taxa-base da etapa.

  • Leave-one-stage-out: acumulado removendo uma etapa por vez.




No leave-one-stage-out: 1º nas cinco remoções. Nenhuma etapa sozinha sustenta o resultado.


5. Significância

20.000 reamostragens. Contra a FGV fim-1ª (P > 99,9%) e a Bayesiana fim-1ª (P = 97,8%): significativo, com IC 95%. Contra a Previsão Esportiva Força (fim-1ª e fim-2ª) e a FGV fim-2ª: empate estatístico (entre 62% e 88%), com fontes ajustadas depois do meu modelo e ainda assim atrás.


6. Pré-torneio: Goldman Sachs, Oxford e Reading

Goldman Sachs (The World Cup and Economics, 29/mai), Oxford Football Forecasting (fatih.ai, lock 09/jun, 100 mil simulações), University of Reading (Prof. James Reade, 08/jun, 10 mil simulações) e Kitman Labs (10/jun), todos pré-torneio, contra o snapshot pré-torneio do meu modelo (corte em 11/jun, salvo antes da estreia).





7. O campeão

Fora do RPS por etapa, muitas fontes publicaram P(campeão): bancos, academia, tutoriais e mercados de previsão (Kalshi, Polymarket, FanDuel). A tabela registra o que cada uma deu às finalistas.



Conclusão

Nas cinco etapas avaliadas (16-avos até a final), o meu modelo apresentou o menor RPS acumulado entre todas as fontes analisadas durante o torneio, além do melhor RPS relativo, melhor rank médio e maior skill score. O resultado permaneceu estável em todas as análises de sensibilidade (leave-one-stage-out), indicando que a liderança não dependeu de uma etapa específica.

Nos testes de significância, a superioridade foi estatisticamente significativa frente a parte das fontes e indistinguível estatisticamente das demais concorrentes mais fortes, mesmo quando estas utilizaram snapshots publicados posteriormente ao do meu modelo. No cenário pré-torneio, o modelo ficou entre os melhores avaliados, atrás apenas de Goldman Sachs e Oxford em algumas métricas agregadas.

Em conjunto, os resultados sugerem que o modelo apresentou boa calibração e consistência ao longo da competição, produzindo previsões competitivas tanto antes quanto durante o torneio.


Fontes


bottom of page