A tentativa de prever resultados de jogos de futebol vem ganhando destaque no mundo, por conta de alguns fatores que ajudam no planejamento dos diretores dos departamentos de futebol dos clubes, mas principalmente pelo grande crescimento do número de casas de aposta e de seus usuários, que movimentam um intenso valor financeiro. Este estudo teve como objetivo aplicar três tipos de modelagem estatística em uma base de dados contendo os resultados de todos os jogos do Campeonato Brasileiro desde 2003 até a décima oitava rodada do campeonato de 2026, além do valor anual medido no início do ano dos elencos dos times participantes do Campeonato Brasileiro 2026, e comparar seus resultados. A base de dados foi reestruturada, sendo necessária a retirada de um time participante do campeonato que foi previsto por falta de histórico de dados, além da transformação dos dados dos resultados em outras variáveis que aumentam a assertividade da previsão. As modelagens escolhidas para as previsões foram utilizando probabilidades de Distribuição de Poisson, Regressão Logística e Machine Learning, com o algoritmo XGBoost. Os resultados indicam uma superioridade na previsão feita pelo modelo de Regressão Logística em relação ao modelo de XGBoost, observada através das métricas de avaliação dos modelos utilizadas. Foi observado também que os modelos tendem a favorecer a vitória do mandante como resultado da previsão. O presente trabalho contribui para o entendimento de fatores que interferem em um jogo de futebol e na classificação geral de um campeonato e abre a possibilidade de estudos futuros que podem utilizar outras variáveis e testar a assertividade de cada variável separadamente.