EXPLICACIÓN · 7 min de lectura

Goles esperados (xG) explicados: qué significa realmente el número

Un equipo pierde 1–0 pese a 18 disparos. La semana siguiente gana 2–1 con tres intentos. Si solo miras el marcador, la primera actuación fue terrible y la segunda, clínica. Los goles esperados — xG — pueden decir lo contrario: el primer equipo probablemente jugó bien y tuvo mala suerte, y el segundo probablemente se escapó. Es el número más útil del análisis moderno del fútbol, y también uno de los más incomprendidos.

Qué es realmente el xG

Cada disparo recibe un valor entre 0 y 1: la probabilidad de que un disparo como ese termine en gol, según cuántas veces disparos similares terminaron en gol antes. Un penalti vale unos 0.76–0.79 según el proveedor — Opta usa 0.79, StatsBomb 0.76 (subido a 0.78 en 2022) — porque se marcan aproximadamente tres de cada cuatro penaltis. Un cabezazo tras un córner vale unos 0.06. Un disparo especulativo desde 25 yardas ronda 0.03. Un remate a seis yardas, en el centro, vale aproximadamente 0.40–0.50.

Suma todos los disparos de un equipo y obtienes su xG del partido: cuántos goles habría marcado un equipo promedio con esas ocasiones. Un equipo que gana 2–1 con un xG de 0.6 frente a 1.8 creó las peores ocasiones y probablemente tuvo suerte. Esa es toda la idea: separar la calidad de las ocasiones de la aleatoriedad de si entraron o no.

Una breve historia

El término "goles esperados" se remonta a un artículo académico de 1993 de Vic Bennett y Sarah Hilditch, pero la métrica moderna llegó en abril de 2012, cuando el analista de Opta Sam Green publicó un blog evaluando a los goleadores de la Premier League. Green se hizo una pregunta sencilla: si dos delanteros marcan el mismo número de goles, pero uno necesitó el doble de disparos, ¿quién es mejor rematador y quién simplemente tuvo mejores ocasiones? Construyó un modelo con los datos de disparos de Opta que valoraba cada intento según su ubicación, ángulo, parte del cuerpo y el tipo de pase que lo creó.

En la 2011–12, Darren Bent acumuló 9.9 xG en 43 disparos, mientras Adel Taarabt apenas llegó a 3.0 en 73: la misma liga, una calidad de ocasiones radicalmente distinta. Green también señaló a Luis Suárez como "especialmente desafortunado de cara a gol" tras marcar solo 11 goles de liga en 2011–12; Suárez marcó después 23 la temporada siguiente y 31 la otra. Las ocasiones siempre estuvieron ahí; los goles llegaron.

Pasaron cinco años más hasta que el xG llegó al gran público: el Match of the Day de la BBC empezó a mostrarlo en la temporada 2017–18, y hoy aparece en cada gráfico de televisión y cada hoja de estadísticas.

Cómo se construyen los modelos

Un modelo de xG es un algoritmo de clasificación — normalmente regresión logística o árboles de gradient boosting — entrenado con cientos de miles de disparos históricos, cada uno etiquetado como gol o no gol. El modelo actual de Opta se entrenó con casi un millón de disparos de 40 competiciones entre 2018–19 y 2021–22, con más de 20 variables.

Las entradas, en orden aproximado de importancia:

Los distintos proveedores entrenan con datos y entradas diferentes, así que el mismo disparo recibe valores ligeramente distintos: Opta podría darle 0.25 y StatsBomb 0.21. Trata cualquier cifra de xG como una estimación, no como una medición con dos decimales.

La idea práctica: el xG mide el proceso, no el resultado. Un equipo que supera sistemáticamente a sus rivales en xG suele ser un buen equipo con una mala racha de suerte; un equipo superado sistemáticamente en xG suele ser un mal equipo con una buena racha. A lo largo de una temporada, los goles siguen al xG mucho más de cerca que a los resultados del mes pasado.

Cómo leerlo — y cómo no

A lo largo de una temporada, confía en él. El mejor uso del xG es la diferencia entre el xG a favor y en contra de un equipo (diferencia de xG). A lo largo de una temporada completa predice los resultados futuros mejor que la tabla de la liga, porque la tabla está contaminada por la suerte que el xG elimina. Un equipo de media tabla con una diferencia de xG entre los seis mejores suele ser un equipo a punto de subir.

En un solo partido, no lo sobreinterpretes. Un partido tiene unos 25 disparos en total, y la aleatoriedad de que entren o no unas pocas ocasiones de 0.10 ahoga la señal. Una victoria con xG de 2.4–0.8 es significativa; un empate de 1.1–0.9 no dice casi nada.

No juzga al tirador. El xG estándar pregunta qué haría un jugador promedio con esa ocasión. No premia a un gran rematador por superar el modelo ni castiga a uno malo por fallar ocasiones claras: esa brecha, goles menos xG, es en sí misma la medida del remate, y es mayormente ruido para todos salvo los mejores y peores rematadores con muestras muy grandes.

Ignora el estado del partido. Un equipo que gana 1–0 al final suele dejar de atacar, y un equipo que va por detrás dispara a la desesperada; el xG cuenta las ocasiones igual en ambos casos.

Cómo se relaciona el xG con nuestro predictor

El predictor de partidos de GoalMath se construye sobre la misma idea a nivel de equipo: λ (lambda) es simplemente los goles esperados de un equipo para el partido, derivados de las fortalezas de ataque y defensa respecto a los promedios de la liga, y alimentados al modelo Dixon-Coles para producir las probabilidades 1X2, más/menos y ambos marcan. El xG mira hacia atrás, a las ocasiones que un equipo creó; λ mira hacia adelante, a las ocasiones que debería crear. Ambos hacen la misma pregunta — ¿cómo de buenas eran las ocasiones? — en direcciones distintas.

Usado así, el xG es el mejor amigo del aficionado honesto: te dice si tu equipo jugó bien en una noche en la que el marcador dice lo contrario, y si una racha de victorias se apoya en algo real o en un portero viviendo el mes de su vida. El marcador te dice qué pasó. El xG te dice qué suele pasar con ocasiones como esas — y a lo largo de una temporada, lo "usual" gana.

Lectura relacionada: Cómo el Modelo Dixon-Coles Predice Marcadores de Fútbol · Cómo Leer Nuestros Pronósticos de Partidos