Qué son los Expected Goals (xG) y cómo usarlos en apuestas

Durante décadas, el fútbol se analizó con estadísticas que apenas arañaban la superficie: goles marcados, goles recibidos, victorias y derrotas. Herramientas rudimentarias para un deporte complejo. Luego llegaron los Expected Goals, o xG, y cambiaron radicalmente la forma en que entendemos lo que ocurre de verdad en un partido. Para los apostadores, esta métrica representa una ventaja informacional que hace diez años simplemente no existía.

Los xG no son perfectos ni son una bola de cristal, pero ofrecen algo que las estadísticas tradicionales no pueden: una medida de la calidad de las ocasiones de gol. Y eso, en el mundo de las apuestas, vale mucho más que saber cuántos tiros realizó un equipo.

Qué miden exactamente los Expected Goals

Los Expected Goals asignan a cada remate una probabilidad de terminar en gol, basándose en las características de la jugada. Un disparo desde el punto de penalti tiene un xG de aproximadamente 0.76, lo que significa que históricamente el 76% de los disparos desde esa posición acaban en la red. Un remate de cabeza desde fuera del área pequeña tras un centro lateral puede tener un xG de 0.03, es decir, solo entra 3 de cada 100 veces.

La probabilidad se calcula analizando miles de situaciones similares en bases de datos históricas. Los factores que determinan el xG de un remate incluyen la distancia a la portería, el ángulo de disparo, la parte del cuerpo utilizada, el tipo de jugada que precede al tiro (acción individual, centro, pase filtrado, rechace) y si el portero estaba bien posicionado. Cada proveedor de datos tiene su propio modelo con ligeras variaciones, pero los principios fundamentales son los mismos.

El xG total de un equipo en un partido es la suma de los xG de todos sus remates. Si un equipo genera ocasiones por valor de 2.3 xG pero solo marca un gol, los datos sugieren que fue menos eficaz de lo que cabría esperar. Si ocurre lo contrario —un gol con solo 0.4 xG generados—, estamos ante un equipo que está siendo brutalmente eficiente o, más probablemente, que está teniendo suerte.

Los modelos detrás de la métrica

No todos los modelos de xG son iguales, y entender sus diferencias ayuda a interpretar mejor los datos. Los modelos más básicos consideran únicamente la posición del disparo y la parte del cuerpo. Los más sofisticados incorporan información adicional como la velocidad del balón antes del tiro, la presión defensiva sobre el tirador, la posición de los defensores entre el balón y la portería, e incluso el patrón de movimiento previo al remate.

Proveedores como Opta, StatsBomb y Understat utilizan metodologías distintas. StatsBomb, por ejemplo, incluye la posición del portero en su modelo, lo que tiende a producir valores ligeramente diferentes a los de Opta para las mismas jugadas. Understat ofrece datos de xG gratuitos para las cinco grandes ligas europeas y la liga rusa, lo que lo convierte en una herramienta accesible para apostadores que no quieren pagar por suscripciones profesionales.

La diferencia entre modelos rara vez es dramática en el agregado —si un equipo genera un xG alto en un modelo, probablemente también lo haga en otro—, pero puede ser significativa en jugadas específicas. Para el apostador medio, lo importante no es obsesionarse con qué modelo es el más preciso, sino ser consistente: usar siempre el mismo proveedor para que las comparaciones entre partidos y equipos sean válidas.

Por qué los xG revelan lo que los goles ocultan

El marcador final de un partido de fútbol es, con frecuencia, un mal resumen de lo que ha pasado sobre el césped. El fútbol es un deporte de baja puntuación donde la varianza es enorme: un equipo puede dominar completamente un encuentro, generar ocasiones claras de gol una tras otra y perder 0-1 por un contragolpe aislado. Los xG capturan esa realidad que el resultado enmascara.

Esta propiedad es especialmente valiosa cuando se analiza el rendimiento de un equipo a lo largo de varias jornadas. Si un equipo lleva cinco partidos generando entre 1.5 y 2.0 xG por encuentro pero solo ha ganado dos, los datos apuntan a que el rendimiento subyacente es mejor que los resultados. Tarde o temprano, si la calidad de las ocasiones se mantiene, los goles llegarán. Apostar a favor de ese equipo antes de que los resultados reflejen su nivel real es precisamente donde reside el valor.

Lo mismo ocurre a la inversa. Un equipo con una racha de victorias pero con xG generados raquíticos está construyendo su éxito sobre cimientos frágiles. Las cuotas de ese equipo probablemente reflejen su buena racha de resultados, pero no la fragilidad estadística que hay detrás. Apostar en contra de ese tipo de equipos, con la paciencia necesaria, tiende a ser rentable.

Aplicaciones prácticas de los xG en apuestas

Más allá de la identificación general de discrepancias entre rendimiento y resultados, los xG tienen aplicaciones concretas en mercados específicos que conviene detallar.

Para el mercado de goles totales (Over/Under), los xG de ambos equipos en partidos recientes son un indicador más fiable que los goles reales. Si dos equipos que se enfrentan han generado de manera consistente un xG combinado superior a 2.5 en sus últimos ocho partidos, pero los goles reales se han quedado por debajo de esa cifra, el Over 2.5 puede representar una oportunidad si la cuota no refleja ese potencial ofensivo subyacente.

En el mercado de ambos marcan (BTTS), combinar el xG ofensivo de un equipo con el xG concedido por su rival permite estimar mejor la probabilidad de que ambos equipos encuentren la red. Un equipo que genera poco xG difícilmente va a marcar con regularidad, independientemente de lo permisiva que sea la defensa rival.

Para apuestas de resultado final (1X2) o hándicap, la diferencia de xG entre ambos equipos es una aproximación razonable a la diferencia de nivel real. Si un equipo genera de media 1.8 xG como local y concede 0.9, mientras que su rival genera 1.1 como visitante y concede 1.5, puedes empezar a construir una estimación propia de probabilidades. No será un modelo sofisticado, pero será una base más sólida que la intuición desnuda.

Limitaciones que debes conocer

Los xG tienen limitaciones reales que conviene tener presentes para no convertir esta métrica en un dogma. La primera y más importante: los xG no miden la capacidad de finalización individual. Hay delanteros que, temporada tras temporada, superan su xG de manera consistente. No es suerte; es habilidad técnica excepcional para rematar. Un equipo con un finalizador de élite como Erling Haaland puede sostener un rendimiento superior al que los xG predicen durante períodos prolongados.

La segunda limitación tiene que ver con el tamaño de la muestra. Los xG de un solo partido son ruidosos y poco fiables para sacar conclusiones. Un equipo puede generar 3.0 xG en un partido gracias a tres penaltis y un rebote favorable. Eso no significa que su nivel ofensivo sea extraordinario. Para que los xG sean un indicador útil, necesitas acumular datos de al menos cinco o seis partidos, preferiblemente más.

Otra limitación práctica es que los modelos de xG estándar no capturan el contexto táctico del partido. Un equipo que defiende con ventaja de dos goles y permite remates lejanos de bajo xG al rival no está siendo dominado; está gestionando el partido de manera inteligente. Los xG del rival se inflan, pero el control del juego pertenece al equipo que va por delante. Interpretar los xG sin considerar el estado del marcador y la dinámica del encuentro puede llevar a conclusiones erróneas.

Por último, los xG no incluyen información sobre jugadas que no terminan en remate. Un pase al espacio que deja a un delantero solo ante el portero pero que este no logra controlar no aparece en el modelo. El xG solo contabiliza lo que se dispara, no lo que pudo haberse disparado. Esto significa que a veces subestima el potencial ofensivo real de equipos que generan muchas situaciones prometedoras pero fallan en el último pase.

Tu primer dashboard de xG en veinte minutos

Si todo lo anterior te parece útil pero abstracto, aquí va algo concreto. Entra en Understat, selecciona una liga que te interese y ordena los equipos por diferencia entre xG generados y goles reales. Los equipos con mayor diferencia positiva (generan más xG del que convierten) son candidatos a mejorar sus resultados. Los que tienen diferencia negativa (marcan más de lo que sus xG sugieren) están viviendo una racha de eficiencia que probablemente se normalice.

Haz lo mismo con los xG concedidos. Un equipo que concede muchos xG pero pocos goles tiene un portero en estado de gracia o una defensa que se beneficia de la ineficacia rival. Ambos escenarios suelen corregirse.

Con esos dos listados —equipos que mejoran y empeoran en xG— tienes un mapa de oportunidades para las próximas jornadas. No necesitas un software caro ni un modelo de machine learning. Necesitas Understat, una hoja de cálculo y la disciplina de actualizarla cada semana. El apostador que integra los xG en su rutina de análisis no tiene garantía de ganar, pero tiene una ventaja estructural sobre el que sigue mirando solo la tabla de posiciones y los últimos resultados. Y en las apuestas, las ventajas estructurales son exactamente lo que separa a los pocos que ganan de los muchos que pierden.