Expected Goals en Apuestas de Fútbol: Guía Completa del xG
La primera vez que usé el xG para apostar fue en un partido de segunda división alemana en 2019. El equipo local había ganado sus últimos cuatro partidos y las cuotas lo daban como claro favorito. Pero cuando revisé los datos de Expected Goals, descubrí que en esos cuatro partidos había generado apenas 3,2 xG mientras sus rivales acumulaban 5,8. Estaban ganando partidos que, estadísticamente, deberían haber perdido. Aposté en contra y gané. No porque supiera más de fútbol alemán que nadie, sino porque tenía acceso a información que el mercado no estaba procesando correctamente.
El modelo de xG post-partido ha demostrado la mejor capacidad predictiva para resultados de la Bundesliga, con una precisión del 65,6% y un RPS de 0.148, superando todos los enfoques basados únicamente en datos pre-partido. Esto no significa que el xG sea una bola de cristal. Significa que, usado correctamente, te da una ventaja informativa sobre apostadores que solo miran resultados y clasificaciones.
Durante los últimos seis años he integrado el xG como pieza central de mi análisis. No es el único factor que considero, pero sí el que más ha mejorado mi capacidad de detectar discrepancias entre el precio del mercado y la realidad subyacente de los equipos. En esta guía te explico qué es exactamente el xG, cómo se calcula, cuáles son sus variantes y limitaciones, y sobre todo, cómo puedes usarlo para encontrar valor en tus apuestas de fútbol.
No necesitas ser un experto en estadística para aprovechar el xG. Lo que necesitas es entender el concepto, saber dónde encontrar los datos y desarrollar un criterio para interpretarlos. El resto es práctica y paciencia. Los apostadores que dominan esta herramienta tienen una ventaja sistemática sobre los que siguen apostando basándose solo en resultados y percepciones subjetivas.
Loading...
Qué es el xG y por qué revolucionó el análisis de fútbol
Imagina que un delantero dispara desde el punto de penalti sin portero. La probabilidad de que marque es cercana al 100%. Ahora imagina que ese mismo delantero intenta un disparo desde 35 metros con tres defensas delante y el portero bien colocado. La probabilidad de gol cae al 2% o menos. El xG asigna un valor numérico a cada disparo en función de la probabilidad histórica de que se convierta en gol.
Expected Goals, o xG, es una métrica que traduce el caos del fútbol en probabilidad. Cada tiro recibe una puntuación entre 0 y 1 que representa su probabilidad de terminar en gol. Un penalti tiene un xG aproximado de 0.76. Un disparo desde fuera del área, sin presión defensiva, puede rondar el 0.05. Un remate de cabeza a bocajarro tras un centro raso supera el 0.40.
La revolución del xG está en lo que revela sobre el rendimiento real de los equipos. Un equipo puede ganar 1-0 habiendo generado apenas 0.5 xG mientras su rival acumulaba 2.3. Ese resultado no refleja la dinámica del partido. A largo plazo, ese equipo sufrirá una regresión a la media: sus victorias improbables se convertirán en derrotas o empates cuando la suerte deje de acompañarle.
PerformanceOdds, uno de los portales analíticos de referencia, lo resume con precisión: el xG no es solo una estadística, es el lenguaje del fútbol moderno. Traduce el caos en probabilidad. Y esa traducción es exactamente lo que necesitas para encontrar valor en los mercados de apuestas.
Antes del xG, el análisis de fútbol dependía de métricas como posesión, tiros a puerta o corners. El problema es que ninguna de esas métricas captura la calidad de las ocasiones. Un equipo puede tener 20 tiros y generar menos peligro real que otro con 5 disparos bien situados. El xG pondera cada oportunidad por su probabilidad de conversión, dando una imagen mucho más precisa del rendimiento ofensivo y defensivo.
Cómo se calcula el Expected Goals
El cálculo del xG parte de bases de datos con cientos de miles de disparos históricos. Cada disparo está etiquetado con sus características: distancia a portería, ángulo de tiro, parte del cuerpo utilizada, tipo de jugada previa, presión defensiva, posición del portero. Los modelos de machine learning analizan estos datos para determinar qué combinación de factores predice mejor la conversión en gol.
Los factores más determinantes son la distancia y el ángulo. Un disparo desde 8 metros con un ángulo abierto tiene muchas más probabilidades de entrar que uno desde 20 metros con ángulo cerrado. Pero el modelo va más allá: considera si el disparo viene de un centro, de un pase filtrado o de una recuperación. Considera si el atacante recibe el balón de espaldas a la portería o encarando. Considera cuántos defensores hay entre el balón y la meta.
El resultado es un número entre 0 y 1 para cada disparo. Si un equipo realiza 12 tiros en un partido con valores de xG de 0.08, 0.15, 0.03, 0.45, 0.02, 0.11, 0.76 (penalti), 0.04, 0.22, 0.06, 0.09 y 0.18, su xG total es la suma: 2.19. Eso significa que, en promedio, un equipo con esas ocasiones marcaría 2.19 goles.
El modelo de xG post-partido alcanza una precisión del 65,6% para predecir resultados en la Bundesliga. Esa cifra puede parecer modesta, pero en un deporte con tanta varianza como el fútbol, superar el 65% de acierto es extraordinario. Los modelos basados solo en resultados previos rara vez superan el 55%.
Hay diferentes proveedores de xG con metodologías ligeramente distintas. Opta, Stats Perform, Statsbomb y FBref son los más reconocidos. Sus cifras pueden variar en décimas para el mismo partido porque cada uno pondera los factores de forma diferente. Para el apostador, estas diferencias menores no son críticas. Lo importante es usar consistentemente el mismo proveedor para poder comparar equipos y partidos con el mismo criterio.
Un detalle técnico importante: el xG se calcula disparo a disparo, no jugada a jugada. Si un atacante falla un remate y el rechace le cae a un compañero que también dispara, son dos valores de xG independientes. Esto puede generar cifras aparentemente infladas en partidos con muchos rechaces en el área, pero refleja correctamente que el equipo atacante tuvo múltiples oportunidades de marcar.
NPxG, xGOT y otras variantes del modelo
El xG básico tiene limitaciones que han dado lugar a variantes especializadas. La más común es el NPxG, o Non-Penalty Expected Goals. Como su nombre indica, excluye los penaltis del cálculo. La razón es simple: los penaltis distorsionan la evaluación del juego en movimiento. Un equipo puede tener un NPxG mediocre y un xG total alto solo porque le pitaron dos penaltis. Para evaluar la capacidad real de un equipo para crear ocasiones desde el juego, el NPxG es más informativo.
El xGOT, o Expected Goals on Target, va un paso más allá. En lugar de medir la calidad de la ocasión, mide la calidad del disparo real. Un tiro a bocajarro que el delantero envía al poste tiene un xG alto pero un xGOT de cero porque no va entre los tres palos. Un disparo lejano que el atacante coloca en la escuadra tiene un xG bajo pero un xGOT muy alto porque es casi imposible de parar.
The False 9, un portal analítico especializado, señala el primer gran problema del xG: su base estadística. El fútbol es un deporte de baja puntuación donde un disparo típico tiene solo un 10% de probabilidad de convertirse en gol. Esto genera una varianza enorme entre el xG generado y los goles reales marcados en muestras pequeñas. Necesitas muchos partidos para que la regresión a la media se manifieste.
Otras variantes incluyen el xA (Expected Assists), que mide la calidad de los pases que terminan en disparo, y el xGBuildup, que evalúa la contribución de cada jugador a las jugadas que terminan en ocasión de gol aunque no sean el asistente ni el rematador. Para el apostador, el xG y el NPxG son los más útiles. Las demás variantes añaden matices interesantes pero rara vez cambian el análisis de forma sustancial.
Mi recomendación es dominar primero el xG básico antes de complicarte con variantes. Cuando seas capaz de interpretar las diferencias entre xG y goles reales y traducirlas en oportunidades de apuesta, entonces tiene sentido añadir capas adicionales de análisis. Empezar por las variantes sin entender el concepto base es poner el carro delante de los bueyes.
Cómo usar el xG para detectar apuestas de valor
Los empates ocurren aproximadamente en el 25-27% de los partidos de fútbol, pero las cuotas para el empate suelen oscilar entre 3.20 y 3.80, lo que implica una probabilidad del 26-31%. Esta discrepancia aparente esconde una realidad más compleja: el mercado no trata todos los empates igual. Algunos partidos tienen perfil de empate y otros no. El xG te ayuda a distinguirlos.
La aplicación más directa del xG en apuestas es identificar equipos sobrevalorados o infravalorados por sus resultados recientes. Un equipo que ha ganado tres partidos consecutivos pero con un diferencial de xG negativo está viviendo de prestado. El mercado suele sobrevalorar las rachas de victorias sin considerar su sostenibilidad. Apostar en contra de estos equipos, especialmente cuando las cuotas reflejan exceso de confianza, es una estrategia con fundamento estadístico.
Lo contrario también funciona. Un equipo que pierde partidos a pesar de generar más xG que sus rivales está sufriendo mala suerte. Las cuotas para estos equipos tienden a ser más altas de lo que deberían porque el mercado castiga los resultados negativos sin mirar debajo de la superficie. Apostar a su favor antes de que la regresión corrija su fortuna puede ser muy rentable.
Los apostadores profesionales típicamente alcanzan tasas de acierto del 53-55% en apuestas estándar. El xG no va a convertirte en un genio del pronóstico, pero sí puede mover tu tasa de acierto dos o tres puntos porcentuales hacia arriba si lo usas correctamente. En el mundo del value betting, esos puntos son la diferencia entre perder dinero y ganarlo.
Otra aplicación práctica es el mercado de goles. Si dos equipos con medias de xG altas se enfrentan, la probabilidad de que el partido supere los 2.5 goles es mayor que si se enfrentan dos equipos defensivos con xG bajos. El mercado no siempre refleja estas diferencias correctamente, especialmente en ligas menos seguidas donde los datos de xG no están tan difundidos.
Un consejo operativo: no uses el xG de un solo partido para tomar decisiones. Un partido puede tener un xG de 3.5 a 0.8 y terminar 0-1. La varianza a corto plazo es brutal. Usa promedios de al menos cinco partidos, preferiblemente diez, para tener una imagen fiable del rendimiento real de cada equipo. La paciencia es parte del método.
También debes considerar el contexto competitivo. El xG de un equipo en partidos de liga puede diferir significativamente de su xG en copas o competiciones europeas. Los equipos rotan plantillas, ajustan tácticas y varían su intensidad según la importancia del partido. Si vas a apostar en Champions League, usa datos de Champions League, no de liga doméstica. La especificidad del análisis importa.
Limitaciones del xG que todo apostador debe conocer
En el fútbol inglés, la ventaja de jugar en casa se ha reducido a aproximadamente 0,25 goles por partido en 2025, con un declive constante desde la Segunda Guerra Mundial. El xG captura parcialmente este factor porque los equipos locales tienden a generar más ocasiones en casa. Pero no captura los factores psicológicos ni la presión del público, que siguen existiendo aunque sean menores que hace décadas.
La primera gran limitación del xG es que no considera quién remata. Un disparo desde el punto de penalti tiene el mismo xG lo ejecute un delantero de élite o un central que nunca marca. En la realidad, la capacidad finalizadora varía enormemente entre jugadores. Algunos superan consistentemente su xG temporada tras temporada. Otros lo infrarrinden de forma sistemática. El modelo trata a todos por igual.
La segunda limitación es el contexto táctico. El xG no sabe si el equipo rival está jugando con línea defensiva alta o baja, si está presionando la salida de balón o replegándose, si el partido tiene importancia clasificatoria o es un trámite. Todos estos factores influyen en las ocasiones que se generan y en cómo se generan, pero el modelo los ignora.
La tercera limitación es la calidad de los datos subyacentes. El xG depende del etiquetado preciso de cada disparo: posición exacta, ángulo, presión defensiva. En las grandes ligas europeas, este etiquetado es riguroso. En ligas menores, puede ser aproximado o directamente inexistente. Usar xG de fuentes poco fiables es peor que no usarlo.
La cuarta limitación es la varianza inherente al fútbol. Incluso con datos perfectos y un modelo óptimo, los partidos de fútbol son eventos de baja frecuencia de goles. Un equipo con 2.0 xG puede marcar 0, 1, 2, 3 o más goles con probabilidades no triviales para cada resultado. El xG te dice qué debería pasar en promedio, no qué va a pasar en un partido concreto.
Conocer estas limitaciones no invalida el uso del xG. Lo que hace es calibrar tus expectativas. El xG es una herramienta poderosa para identificar tendencias y desviaciones de la media, pero no es una máquina de predecir resultados. Úsalo como un input más en tu análisis, no como el único criterio de decisión.
En mi experiencia, el xG funciona mejor cuando se combina con análisis visual de partidos y conocimiento del contexto competitivo. Los números te dicen qué pasó; ver los partidos te ayuda a entender por qué. La combinación de ambos enfoques es más potente que cualquiera de ellos por separado.
Dónde consultar datos de xG gratuitos y de pago
Los modelos top de inteligencia artificial superan las cuotas finales del mercado en un 3-7% de media a través del Closing Line Value. Para acercarte a ese nivel de sofisticación necesitas acceso a datos de calidad. La buena noticia es que existen fuentes gratuitas excelentes para empezar.
FBref es mi primera recomendación para cualquier apostador que quiera usar xG. Ofrece datos completos de Expected Goals para las principales ligas europeas, incluyendo xG por partido, xG acumulado, NPxG y xA. La interfaz es limpia, los datos se actualizan rápidamente y no hay coste. Para el 90% de los apostadores, FBref es suficiente.
Understat se especializa en visualizaciones de xG. Sus mapas de tiros muestran exactamente desde dónde disparó cada equipo y qué valor de xG tuvo cada ocasión. Esta información visual es útil para entender no solo cuánto xG generó un equipo, sino cómo lo generó. Un equipo que acumula xG a base de remates lejanos es muy diferente de uno que lo hace con ocasiones claras dentro del área.
Statsbomb ofrece datos de xG gratuitos para competiciones seleccionadas a través de su iniciativa de datos abiertos. La calidad es profesional, pero la cobertura es limitada. Si tu liga de interés está incluida, es una fuente excelente. Si no, necesitarás complementar con otras.
Las opciones de pago incluyen plataformas como Stats Perform, Opta y servicios especializados para apostadores como Betfair Exchange (que muestra probabilidades implícitas de mercado que puedes contrastar con tu análisis de xG). El salto de calidad existe, pero para la mayoría de los apostadores el coste no se justifica hasta que operan con bankrolls significativos.
Mi configuración personal combina FBref para datos base, Understat para contexto visual y una hoja de cálculo donde registro las diferencias entre xG y goles reales de cada equipo durante la temporada. Este seguimiento manual me permite detectar equipos en proceso de regresión antes de que el mercado los identifique. El sistema es gratuito, pero requiere disciplina y tiempo.
Un consejo final sobre fuentes: no mezcles datos de diferentes proveedores en el mismo análisis. Los modelos de xG de Opta y Statsbomb, por ejemplo, pueden diferir en décimas para el mismo partido. Esas diferencias se acumulan y distorsionan las comparaciones si no eres consistente. Elige un proveedor y úsalo para todo. La coherencia metodológica importa más que tener el modelo teóricamente más preciso.
Preguntas frecuentes sobre xG y apuestas
¿Qué precisión tiene el modelo de xG para predecir resultados?
El modelo de xG post-partido alcanza una precisión del 65,6% en la predicción de resultados de la Bundesliga, superando todos los enfoques basados solo en datos pre-partido. Esta cifra es notable para un deporte con tanta varianza como el fútbol. Sin embargo, la precisión varía según la liga y disminuye cuando se usa solo xG pre-partido sin actualizar con datos del partido en curso. Para apuestas pre-partido, la utilidad del xG está más en identificar equipos sobrevalorados o infravalorados que en predecir resultados exactos.
¿Puedo usar el xG para apostar en mercados de más/menos goles?
Sí, y es una de las aplicaciones más directas. Si enfrentas dos equipos cuyo xG combinado promedio supera los 3.0 goles por partido, las apuestas al over 2.5 tienen fundamento estadístico. Lo contrario aplica para partidos entre equipos defensivos con xG bajo. La clave está en comparar el xG esperado con la línea que ofrece el mercado y buscar discrepancias donde el precio no refleje correctamente el potencial ofensivo de los equipos involucrados.
¿Qué diferencia hay entre xG y xGOT?
El xG mide la calidad de la ocasión independientemente de cómo se ejecute el disparo. Un penalti tiene siempre un xG de aproximadamente 0.76, aunque el jugador lo tire fuera. El xGOT mide la calidad del disparo real y solo cuenta los tiros que van entre los tres palos. Un tiro al poste tiene xGOT de cero. El xG evalúa la creación de ocasiones; el xGOT evalúa la ejecución. Ambos son útiles para diferentes propósitos analíticos.
¿En qué ligas funcionan mejor los modelos de xG?
Los modelos de xG funcionan mejor en ligas con datos de alta calidad y suficiente volumen histórico para entrenar los algoritmos. Las cinco grandes ligas europeas, Premier League, LaLiga, Serie A, Bundesliga y Ligue 1, tienen los datos más fiables. En ligas menores, la calidad varía. Antes de usar xG de una liga secundaria, verifica la fuente y comprueba si los valores parecen razonables comparados con los goles reales. Si el xG total de la liga difiere mucho del total de goles, los datos pueden ser poco fiables.
Created by the "Como Ganar Apuestas Deportivas Futbol" editorial team.