xG: qué son los expected goals en fútbol

El xG (expected goals, goles esperados) mide la calidad de las ocasiones de gol que genera un equipo, no los goles que realmente anotó. Un xG de 1.8 significa que, según la calidad de esas ocasiones concretas, un delantero promedio anotaría 1.8 goles si esa misma situación se repitiera muchas veces — no que el equipo “debió” meter 2 goles.

Qué mide el xG (y qué no mide)

Cada disparo recibe un valor entre 0 y 1: la probabilidad estimada de que termine en gol dado el contexto del disparo — distancia al arco, ángulo, parte del cuerpo, tipo de asistencia, presión defensiva. Sumar el xG de todos los disparos de un equipo da el xG del partido.

Lo que el xG no mide: no sabe quién remató el balón. Un delantero de clase mundial y un defensor rematando desde la misma posición reciben el mismo valor de xG por ese disparo — el modelo describe la calidad de la ocasión, no la calidad del rematador.

Un ejemplo numérico

Un equipo con 4 disparos en un partido:

Disparo	Situación	xG individual
1	Ángulo cerrado, dentro del área pequeña	0.05
2	Penal	0.78
3	Disparo lejano, fuera del área	0.03
4	Mano a mano con el portero	0.42
Total xG del equipo	—	1.28

Si ese equipo terminó anotando 3 goles con un xG de 1.28, superó ampliamente lo esperado por la calidad de sus ocasiones. Eso puede reflejar una tarde especialmente efectiva del rematador — o simple variación estadística que no necesariamente se repite el partido siguiente.

xG vs. goles reales: por qué importa la diferencia

Comparar el xG de un equipo contra sus goles reales a lo largo de varios partidos —no de uno solo— ayuda a distinguir una racha sostenible de una puntual. Un equipo que anota sistemáticamente muy por encima de su xG durante muchos partidos puede tener rematadores excepcionales; también puede estar beneficiándose de una racha que regresa a la media. Un solo partido no alcanza para saber cuál de las dos cosas es.

Errores comunes al interpretar xG

• Tratarlo como el resultado “correcto” del partido. El xG describe ocasiones, no fija un marcador que “debió” pasar.
• Comparar xG entre proveedores de datos distintos como si fuera un número estandarizado. Cada proveedor entrena su propio modelo con sus propios datos; los valores no son directamente comparables entre fuentes.
• Sacar conclusiones de un solo partido. El xG de un partido individual tiene mucho ruido; se vuelve más informativo acumulado sobre varios encuentros.
• Ignorar el contexto del partido. Un equipo jugando con ventaja en el marcador suele generar disparos de menor calidad (defiende el resultado) — el xG cae sin que eso signifique que jugó peor.

Limitaciones

• El xG no captura completamente la calidad del portero rival en todas sus versiones — algunos modelos lo incorporan, otros no.
• No mide el rendimiento individual del rematador; para eso existen métricas derivadas como goles menos xG (G−xG) sobre una muestra grande.
• Los modelos varían entre proveedores: no hay un único “xG oficial” del fútbol.

Preguntas frecuentes

¿Un equipo con más xG que su rival debería haber ganado?

Tenía, en promedio, mejores ocasiones — no es lo mismo que “debía ganar”. El resultado real de un partido individual sigue siendo incierto incluso con una clara ventaja de xG.

¿El xG sirve para predecir partidos futuros?

Sirve como una de las señales de entrada para estimar la fuerza ofensiva de un equipo, junto con otras variables de contexto — no como predictor único. Es exactamente el tipo de dato que alimenta un modelo Poisson aplicado al fútbol para estimar goles esperados del próximo partido.

¿Dónde puedo revisar el contexto de un partido real, no solo un ejemplo?

En la demo pública puedes abrir un encuentro publicado y revisar su lectura completa, y en Resultados el historial de encuentros ya liquidados.