Gols esperados (xG) explicados: o que o número realmente significa
Um time perde por 1–0 apesar de 18 finalizações. Na semana seguinte, vence por 2–1 com três tentativas. Se você olhar só o placar, a primeira atuação foi terrível e a segunda, cirúrgica. Os gols esperados — xG — podem dizer o contrário: o primeiro time provavelmente jogou bem e teve azar, e o segundo provavelmente escapou por pouco. É o número mais útil da análise moderna do futebol, e também um dos mais incompreendidos.
O que o xG realmente é
Cada finalização recebe um valor entre 0 e 1: a probabilidade de uma finalização como aquela virar gol, com base em quantas vezes finalizações parecidas terminaram em gol antes. Um pênalti vale cerca de 0.76–0.79 dependendo do provedor — a Opta usa 0.79, a StatsBomb 0.76 (elevado para 0.78 em 2022) — porque aproximadamente três em cada quatro pênaltis são convertidos. Um cabeceio após escanteio vale cerca de 0.06. Uma tentativa especulativa de 25 jardas fica em torno de 0.03. Uma finalização a seis jardas, no centro, vale aproximadamente 0.40–0.50.
Some todas as finalizações de um time e você obtém o xG da partida: quantos gols um time médio teria marcado com aquelas chances. Um time que vence por 2–1 com xG de 0.6 contra 1.8 criou as piores chances e provavelmente teve sorte. Essa é toda a ideia: separar a qualidade das chances da aleatoriedade de elas entrarem ou não.
Uma breve história
O termo "gols esperados" remonta a um artigo acadêmico de 1993 de Vic Bennett e Sarah Hilditch, mas a métrica moderna chegou em abril de 2012, quando o analista da Opta Sam Green publicou um blog avaliando os artilheiros da Premier League. Green fez uma pergunta simples: se dois atacantes marcam o mesmo número de gols, mas um precisou do dobro de finalizações, quem é o melhor finalizador — e quem apenas teve as melhores chances? Ele construiu um modelo com os dados de finalizações da Opta que avaliava cada tentativa por sua localização, ângulo, parte do corpo e o tipo de passe que a criou.
Em 2011–12, Darren Bent acumulou 9.9 xG em 43 finalizações, enquanto Adel Taarabt chegou a apenas 3.0 em 73: a mesma liga, uma qualidade de chances radicalmente diferente. Green também apontou Luis Suárez como "especialmente azarado diante do gol" depois de marcar apenas 11 gols na liga em 2011–12; Suárez marcou depois 23 na temporada seguinte e 31 na outra. As chances sempre estiveram lá; os gols chegaram.
Passaram-se mais cinco anos até o xG chegar ao grande público: o Match of the Day da BBC começou a exibi-lo na temporada 2017–18, e hoje ele aparece em cada gráfico de TV e cada folha de estatísticas.
Como os modelos são construídos
Um modelo de xG é um algoritmo de classificação — geralmente regressão logística ou árvores de gradient boosting — treinado com centenas de milhares de finalizações históricas, cada uma rotulada como gol ou não gol. O modelo atual da Opta foi treinado com quase um milhão de finalizações de 40 competições entre 2018–19 e 2021–22, com mais de 20 variáveis.
As entradas, em ordem aproximada de importância:
- Distância e ângulo ao gol. O fator dominante. O valor cai drasticamente com a distância e em direção às laterais, onde o ângulo de finalização se estreita.
- Parte do corpo. Um cabeceio da marca do pênalti vale muito menos do que um chute com o pé do mesmo lugar.
- Tipo de assistência e fase de jogo. Um passe em profundidade, um cruzamento, um rebote, um contra-ataque e uma bola parada convertem em ritmos diferentes do mesmo lugar.
- Defensores e goleiro. Modelos avançados usam dados de imagem congelada: quantos defensores estão entre o finalizador e o gol, e onde o goleiro está posicionado. Uma finalização com dois defensores na frente vale menos do que a mesma finalização com a visão livre.
Provedores diferentes treinam com dados e entradas diferentes, então a mesma finalização recebe valores ligeiramente diferentes: a Opta pode dar 0.25, a StatsBomb 0.21. Trate qualquer número de xG como uma estimativa, não como uma medição com duas casas decimais.
Como lê-lo — e como não lê-lo
Ao longo de uma temporada, confie nele. O melhor uso do xG é a diferença entre o xG a favor e contra de um time (diferença de xG). Ao longo de uma temporada completa, ela prevê resultados futuros melhor do que a tabela do campeonato, porque a tabela está contaminada pela sorte que o xG remove. Um time de meio de tabela com diferença de xG entre os seis melhores costuma ser um time prestes a subir.
Em uma única partida, não o superinterprete. Uma partida tem cerca de 25 finalizações no total, e a aleatoriedade de algumas chances de 0.10 entrarem ou não abafa o sinal. Uma vitória com xG de 2.4–0.8 é significativa; um empate de 1.1–0.9 quase não diz nada.
Ele não julga o finalizador. O xG padrão pergunta o que um jogador médio faria com aquela chance. Não premia um grande finalizador por superar o modelo nem castiga um ruim por perder chances claras: essa diferença, gols menos xG, é em si a medida da finalização, e é majoritariamente ruído para todos, exceto os melhores e piores finalizadores em amostras muito grandes.
Ele ignora o estado do jogo. Um time vencendo por 1–0 no fim costuma parar de atacar, e um time atrás no placar finaliza no desespero; o xG conta as chances da mesma forma nos dois casos.
Como o xG se relaciona com nosso previsor
O previsor de partidas da GoalMath é construído sobre a mesma ideia em nível de equipe: λ (lambda) é simplesmente os gols esperados de um time para a partida, derivados das forças de ataque e defesa em relação às médias da liga, e alimentados no modelo Dixon-Coles para produzir as probabilidades 1X2, mais/menos e ambas marcam. O xG olha para trás, para as chances que um time criou; λ olha para frente, para as chances que ele deveria criar. Ambos fazem a mesma pergunta — quão boas eram as chances? — em direções diferentes.
Usado assim, o xG é o melhor amigo do torcedor honesto: ele diz se o seu time jogou bem numa noite em que o placar diz o contrário, e se uma sequência de vitórias se apoia em algo real ou num goleiro vivendo o mês da sua vida. O placar diz o que aconteceu. O xG diz o que geralmente acontece com chances como aquelas — e ao longo de uma temporada, o "geralmente" vence.
Leitura relacionada: Como o Modelo Dixon-Coles Prevê Placares de Futebol · Como Ler Nossos Prognósticos de Partidas