xG en Apuestas de Fútbol: Cómo Usar los Expected Goals para Predecir Resultados
Available in US
La temporada 2021-22 del Villarreal me enseñó algo que cambió mi forma de apostar. El equipo de Emery generaba un xG ofensivo alto pero convertia por debajo de lo esperado durante semanas. Los resultados eran mediocres, las cuotas subieron y yo empecé a apostar a su favor en partidos donde el mercado lo infravaloraba. A las pocas jornadas, la regresión a la media llegó y los resultados se corrigieron. Gane dinero no porque supiera más de fútbol que las casas de apuestas, sino porque entendia lo que el xG estaba diciendo y el mercado aun no lo había incorporado a las cuotas.
Qué mide el xG y qué factores pondera el modelo Opta
Los modelos de xG de Opta analizan hasta 20 factores de contexto por cada disparo a portería. No es una cifra sacada de una fórmula simple: es el resultado de un modelo estadístico entrenado con cientos de miles de disparos históricos que asigna a cada ocasión una probabilidad de gol entre 0 y 1.
Los factores principales incluyen la distancia al centro de la portería, el ángulo del disparo, la parte del cuerpo utilizada —los remates de cabeza tienen un xG sistemáticamente inferior a los de pie dominante—, el tipo de asistencia previa —un pase filtrado genera ocasiones con mayor xG que un centro lateral—, la velocidad de la jugada, el número de defensores entre el balón y la portería, y la posición del portero en el momento del disparo.
Para poner los números en perspectiva: un penalti tiene un xG aproximado de 0,76 a 0,78, lo que significa que se convierte en gol entre el 76% y el 78% de las veces. Un disparo desde fuera del área con un defensor delante y sin ángulo tiene un xG que puede bajar hasta 0,02 o 0,03. La diferencia entre ambos extremos revela lo que el xG realmente mide: no si un equipo juega bien o mal, sino la calidad objetiva de las ocasiones que genera y concede.
Esa distinción es fundamental para apostar. Un equipo que genera 1.8 xG por partido pero solo marca 0.9 goles está rindiendo por debajo de lo esperado. A largo plazo, la estadística dice que ese equipo marcará más goles —a menos que tenga un problema estructural de finalización que el modelo no captura. Y lo mismo ocurre a la inversa: un equipo que marca 2.5 goles con 1.4 xG está sobreperformando, y es cuestión de tiempo que los goles se ajusten a la media.
Cómo traducir el xG a mercados concretos: Over/Under, BTTS, resultado
Saber que un equipo tiene un xG de 1.6 está bien. Saber que hacer con ese número en un mercado concreto es lo que paga las facturas.
Para el mercado de Over/Under goles, la lógica es directa. Si la suma del xG de ambos equipos en sus últimos 10 partidos como local y visitante respectivamente supera el 2.5 de forma consistente, el Over 2.5 tiene respaldo estadístico. Si se queda por debajo de 2.0, el Under 2.5 es la apuesta con mayor fundamento. El matiz está en que el xG mide ocasiones, no goles, y la conversión real tiene una variabilidad inherente que puede tardar semanas en corregirse.
Para el BTTS, el xG de cada equipo por separado es la clave. Si ambos generan un xG superior a 0.8 de forma sostenida, la probabilidad de que ambos marquen es alta. Si uno de los dos tiene un xG inferior a 0.5, la probabilidad de BTTS Si se desploma independientemente de lo que haga el otro.
Para el mercado de resultado —1X2 o hándicap—, el xG necesita combinarse con otras variables. La diferencia de xG entre dos equipos sugiere un favorito, pero el resultado del fútbol depende también de factores que el xG no mide: la gestión emocional del partido, las decisiones arbitrales, los cambios tacticos en el descanso. El xG es un filtro poderoso, no una bola de cristal.
Donde el xG me ha dado mejores resultados es en la detección de value bets: situaciones donde mi estimación de probabilidad —informada por el xG— difiere significativamente de la probabilidad implícita en la cuota del mercado. Esas brechas suelen aparecer cuando un equipo tiene resultados recientes que no reflejan su calidad de ocasiones, y el mercado sobrepondera los resultados a corto plazo.
Limitaciones del xG: lo que no captura el número
Sería deshonesto hablar del xG sin hablar de lo que no puede hacer, y he visto a demasiados apostantes tratar el xG como si fuera la verdad absoluta del fútbol.
El propio informe de Sportradar sobre integridad deportiva señala que la reducción de partidos sospechosos indica avances en la vigilancia, pero que la escala del problema sigue siendo significativa. De forma analoga, el xG ha supuesto un avance enorme en la analítica del fútbol, pero sus limitaciones son reales y cuantificables.
La primera limitación es la calidad del finalizador. El modelo estándar de xG no diferencia entre un disparo de un delantero de elite y uno de un lateral que rara vez chuta. Algunos modelos avanzados —como el xGOT, que tiene en cuenta la colocación del disparo— intentan corregir esto, pero la mayoría de datos públicos no los incluyen.
La segunda limitación es el contexto táctico en tiempo real. El xG no captura si un equipo está jugando con un hombre menos, si el entrenador ha ordenado repliegue defensivo tras un gol tempranero, o si el equipo lider de la liga está gestionando el partido porque la clasificación ya está resuelta. Esos factores alteran radicalmente la probabilidad de gol en un partido concreto pero no aparecen en el modelo.
La tercera limitación es la muestra. El xG es fiable con muestras grandes —temporadas completas, últimos 15-20 partidos— pero poco informativo con muestras pequeñas. Usar el xG de los últimos tres partidos para decidir una apuesta es como predecir la temperatura media del año basandote en la última semana. La variabilidad natural del dato necesita volumen para suavizarse.
La cuarta, y para mi la más importante, es que el xG mide lo que ocurrió, no lo que ocurrirá. El xG de un equipo en los últimos 10 partidos es un indicador de su capacidad ofensiva reciente, no una garantía de que mantendrá ese nivel en el próximo encuentro. Lesiones, cambios de sistema, motivación, estado del cesped —todo eso puede hacer que el xG de un partido concreto se desvie significativamente del histórico.
Una herramienta, no un oráculo
Después de cuatro años usando el xG como filtro principal en mis apuestas, puedo confirmar que ha mejorado mi tasa de acierto y mi yield de forma medible. También puedo confirmar que me ha hecho perder dinero las veces que lo he tratado como verdad absoluta en lugar de como una pieza más del análisis. El xG te dice lo que debería haber pasado según la estadística. Tu trabajo como apostante es decidir cuando esa estadística tiene suficiente fuerza predictiva como para arriesgar tu dinero, y cuando el contexto del partido la invalida.
¿Dónde puedo consultar datos de xG actualizados de forma gratuita?
Varias plataformas ofrecen datos de xG gratuitos con distintos niveles de detalle. FBref proporciona datos de xG por equipo y por jugador para las principales ligas europeas con actualización regular. Understat ofrece datos detallados por disparo con visualizaciones. Infogol y FotMob también incluyen xG en sus análisis de partidos. Los datos gratuitos suelen tener un retraso de 24 a 48 horas respecto a los de pago.
¿El xG tiene la misma fiabilidad en ligas menores que en las cinco grandes?
No. La fiabilidad del xG depende de la calidad y el volumen de los datos de rastreo. En las cinco grandes ligas europeas, los sistemas de tracking capturan cada disparo con precisión. En ligas menores —segunda división, ligas nordicas, ligas sudamericanas— la cobertura de datos puede ser incompleta o inexistente, lo que reduce la fiabilidad del modelo. Si operas con xG en ligas menores, verifica que la fuente cubra esa competición con datos reales y no con estimaciones.
Preparado por la redacción de «Apuestas Seguras hoy Fútbol».
