Cómo funcionan los
Expected Goals (xG)
El xG transforma los disparos en probabilidades. En lugar de contar si entró o no el balón, mide la calidad de cada ocasión. Es la métrica que conecta lo que vemos en el campo con lo que predice el modelo matemático.
El problema que resuelve el xG
El fútbol tiene alta varianza. Un equipo puede dominar un partido completamente — generar 20 disparos, controlar la pelota, meter al rival en su área — y aun así perder 0-1 por un gol de contraataque. Los goles reales son un indicador ruidoso del rendimiento.
El xG (expected goals) intenta separar el rendimiento real del ruido de la suerte. En lugar de preguntar "¿cuántos goles marcó?", pregunta "¿cuántos goles debería haber marcado según la calidad de sus ocasiones?". Esa es una pregunta más estable y más predicitva.
Qué mide el xG disparo a disparo
El xG asigna a cada disparo una probabilidad entre 0 y 1 de que acabe en gol. Esa probabilidad se estima a partir de un modelo entrenado con cientos de miles de disparos históricos y sus resultados reales.
Los factores que más influyen son:
Distancia a portería
Muy altoA 6m la probabilidad es ~60%. A 30m, menor del 3%.
Ángulo del disparo
AltoÁngulos cerrados desde las bandas tienen xG muy bajo aunque la distancia sea corta.
Tipo de remate
AltoDe cabeza tiene ~40% menos probabilidad que a pie en condiciones similares.
Fase de juego
ModeradoLos penaltis (~76%) y los remates en contragolpe tienen xG más alto que la media.
Situación previa
ModeradoUn centro o asistencia de clave eleva el xG respecto a un remate tras regates.
Del disparo individual al xG del partido
El xG total de un equipo en un partido es la suma de los xG de todos sus disparos:
Ejemplo — 5 disparos de Arsenal
Un xG de 1.38 significa que, en promedio, Arsenal debería haber marcado 1.38 goles con esas ocasiones. Pueden marcar 0, 1, 2 o más en cualquier partido concreto — el xG es una esperanza matemática, no una certeza.
xG como entrada del modelo de Poisson
Aquí es donde el xG y la distribución de Poisson se conectan. El xG histórico de un equipo es la mejor estimación empírica de su tasa media de goles (λ). El modelo usa el xG acumulado de las últimas semanas, ponderado con decay temporal, como punto de partida para estimar λ_local y λ_visitante de un partido.
Flujo del cálculo
xG vs goles reales: qué es más predictivo
Estudios consistentes a lo largo de temporadas demuestran que el xG acumulado es mejor predictor del resultado futuro que los goles marcados. La razón es simple: los goles tienen más varianza partido a partido que el xG.
Goles reales
- • Alta varianza partido a partido
- • Afectados por actuaciones individuales
- • Penaltis, errores flagrantes del portero
- • Predicitivo a largo plazo (30+ partidos)
Expected Goals (xG)
- • Más estable entre partidos
- • Refleja proceso, no resultado
- • Predictivo desde 8-10 partidos
- • Mejor señal para modelos
Dicho esto, el xG no es perfecto. No captura la calidad del portero rival, la habilidad específica del rematador (un Lewandowski tiene mejor conversión que su xG sugeriría) ni la presión táctica del partido.
Cuándo el xG engaña
El xG de un partido único tiene alta varianza. Un equipo con 2.5 xG puede perfectamente no marcar — la probabilidad de marcar 0 goles con λ=2.5 es del 8%. Sacar conclusiones de un solo partido es arriesgado.
Interpretación correcta
El xG de un partido dice "este equipo generó ocasiones que, en promedio, valen X goles". No dice "este equipo debería haber ganado". El resultado del partido ya ocurrió. El xG es útil para evaluar el proceso y predecir partidos futuros, no para reescribir el resultado de los ya jugados.
Ver los xG implícitos en las predicciones
Cada predicción de POISSON FC muestra los λ estimados (goles esperados de cada equipo) que alimentan la distribución de Poisson. Son el xG proyectado del partido.