xG en Fútbol: Qué Son los Expected Goals y Cómo Usarlos para Apostar

Un estudio publicado en 2025 en Frontiers in Sports and Active Living demostró que un modelo de xG post-partido alcanza una precisión del 65,6% en predicción de resultados de la Bundesliga. Dos de cada tres veces. No es perfecto, pero es mejor que cualquier tertuliano, cualquier porra de oficina y, desde luego, mejor que la intuición sin datos. Los xG – expected goals – son la métrica que ha cambiado la forma en que los profesionales entendemos el fútbol y, por extensión, las apuestas de fútbol.

Cuando empecé a analizar xG hace seis años, la métrica era conocida principalmente en círculos de analistas tácticos. Hoy la ves en las retransmisiones de LaLiga. Pero que sea popular no significa que sea bien entendida – y mucho menos bien aplicada a las apuestas.

Qué miden los xG: la diferencia entre lo que pasó y lo que debería haber pasado

Imagina que un delantero dispara desde el punto de penalti sin portero delante. ¿Cuál es la probabilidad de que marque? Altísima, digamos 0.95. Ahora imagina que ese mismo jugador dispara desde 35 metros con tres defensores enfrente. La probabilidad baja a 0.03. El xG asigna a cada disparo un valor entre 0 y 1 que representa la probabilidad de que ese disparo acabe en gol, basándose en características medibles: distancia a la portería, ángulo, parte del cuerpo utilizada, tipo de asistencia y contexto de la jugada.

La suma de todos los xG de los disparos de un equipo en un partido te da sus expected goals totales. Si un equipo acumula 2.3 xG y marca 1 gol, ha sido ineficiente – sus ocasiones merecían más goles. Si acumula 0.8 xG y marca 2, ha tenido suerte. A corto plazo, la suerte existe. A largo plazo, los goles convergen hacia los xG. Ese principio de regresión a la media es la base de todo análisis predictivo con xG.

Lo que no miden los xG: la calidad individual del rematador, la presión defensiva en el momento del disparo (los modelos básicos no la capturan) ni las situaciones que no acaban en tiro. Un equipo puede dominar un partido sin disparar a puerta – los xG no reflejan esa dominancia. Por eso complemento los xG con otras métricas como posesión en campo rival y PPDA.

Cómo se calculan: del dato bruto al modelo predictivo

Un modelo bayesiano de xG con solo siete variables – distancia al centro de la portería, ángulo, parte del cuerpo, si fue cabezazo, si hubo asistencia desde banda, el tipo de jugada y la posición exacta – alcanzó un AUC de 0,781. El modelo de StatsBomb, uno de los más sofisticados de la industria, logra 0,801. La diferencia es mínima. Eso significa que no necesitas acceso a datos exclusivos para construir un modelo competitivo.

El proceso simplificado es este: recopilas datos de miles de disparos con sus coordenadas y resultado (gol o no gol), entrenas un modelo de clasificación (regresión logística es suficiente para empezar) que aprende la relación entre las variables y la probabilidad de gol, y luego aplicas ese modelo a nuevos partidos para estimar los xG de cada equipo.

No voy a fingir que es trivial. Requiere manejo básico de datos y una herramienta como Python o R. Pero tampoco necesitas un doctorado. Con un tutorial de regresión logística y una base de datos pública de disparos – que plataformas como StatsBomb ofrecen gratuitamente para ciertas competiciones – puedes tener un modelo funcional en un fin de semana.

La alternativa más práctica: usar los xG que publican plataformas como FBref, Understat o Sofascore. No son tu modelo propio, pero son modelos validados que puedes integrar directamente en tu análisis de apuestas sin construir nada desde cero.

Precisión de los modelos: qué puedes esperar y qué no

El 65,6% de precisión del estudio de Frontiers no es un número que debas tomar al pie de la letra para todos los contextos. Es una medición específica: modelo post-partido (usa datos del partido ya jugado) en la Bundesliga. La precisión pre-partido – que es la que importa para apostar – es menor, porque no tienes los datos de lo que va a pasar durante el juego.

En mi experiencia, un modelo pre-partido basado en xG acumulados de las últimas 8-10 jornadas tiene una precisión en torno al 52-57% para el resultado 1X2. Parece poco, pero el mercado opera en márgenes de 1-3% de ventaja. Si tu modelo es un 2% más preciso que la cuota implícita del mercado de forma consistente, eres rentable.

Lo que deteriora la precisión: cambios de entrenador (el estilo cambia y los xG históricos dejan de ser representativos), lesiones clave no incorporadas al modelo, y partidos donde la motivación no es estándar – último partido de temporada con nada en juego, por ejemplo. Estos factores no los captura un modelo puramente estadístico. Tu trabajo como analista es identificarlos y ajustar manualmente.

Un error que veo repetidamente: confundir xG altos con equipo bueno. Los xG miden oportunidades creadas, no necesariamente calidad global. Un equipo que acumula xG altos porque dispara desde cualquier posición no es lo mismo que uno que genera ocasiones claras de forma sistemática. Los xG no diferencian entre un tiro libre desde 25 metros y un mano a mano. Algunos modelos avanzados sí – los básicos, no.

xG aplicado a tus apuestas: del dato al billete

Cuando combino xG con herramientas de mercado y conciencia situacional, las apuestas se convierten en análisis y no en azar. Esa idea, que puede parecer obvia, es lo que separa al apostador que lleva un registro disciplinado del que apuesta por corazonadas.

Mi flujo de trabajo con xG para un partido de LaLiga es el siguiente. Primero, obtengo los xG a favor y en contra de los últimos 8 partidos de cada equipo, separando localía. Segundo, calculo el xG esperado para cada equipo en el partido concreto, ajustando por la fuerza relativa del rival. Tercero, uso esos xG esperados como lambda en un modelo de Poisson para estimar probabilidades de cada resultado. Cuarto, comparo esas probabilidades con las cuotas del mercado y busco discrepancias.

Un ejemplo práctico: si mi modelo estima que el equipo local tiene un xG esperado de 1.8 y el visitante de 0.9, el Poisson me da aproximadamente un 53% de probabilidad de victoria local. Si la cuota del mercado implica un 48%, hay 5 puntos de ventaja. Si la cuota implica un 55%, no hay valor.

El xG no es una bola de cristal. Es una lente – te permite ver el fútbol con más detalle que el ojo desnudo, pero sigue necesitando interpretación humana. Los mejores apostadores que conozco usan xG como punto de partida, no como punto final. Es la base sobre la que construyes el juicio, no un sustituto del análisis completo.