xG en la Ligue 1: cómo leer goles esperados para apostar
Cargando...
La métrica que separó el análisis profesional del periodístico
Recuerdo cuando empecé a hablar de xG en tertulias hace seis o siete años y el interlocutor me miraba con la misma cara con la que se mira a alguien que acaba de citar un término técnico ajeno al vocabulario compartido. Hoy el xG aparece en los graficos de televisión francesa durante los resúmenes de jornada, y el apostante medio ya ha oído la sigla. Pero oír no es entender, y el salto de «sé que existe» a «lo uso en mi modelo de apuestas» sigue dejando mucha distancia en el camino.
El xG aporta algo que ninguna estadística tradicional ofrece: una medida del rendimiento real con independencia del resultado final. Un equipo puede perder 0-1 habiendo generado 2,3 xG frente a 0,4 del rival y ser, en rigor, el equipo que mereció ganar. El marcador es un evento; el xG es una tendencia. Para un mercado de apuestas donde los operadores calculan cuotas sobre resultados pasados, el xG es una ventana para adelantarse a la corrección que el libro aún no ha hecho.
Qué es el xG y cómo se calcula realmente
El xG, o Expected Goals, asigna a cada remate una probabilidad entre 0 y 1 de terminar en gol, basada en factores medibles: distancia a portería, ángulo, tipo de remate (pie, cabeza, volea), tipo de jugada previa (córner, contraataque, jugada combinada, balón parado directo), presencia de defensores entre balón y portería. Un remate desde el punto de penalti ronda un xG de 0,76 (la probabilidad histórica de convertir un penalti). Un tiro lejano sin ángulo desde 30 metros ronda un xG de 0,02. Sumando todos los xG de un equipo durante un partido, obtenemos el total xG del partido.
La clave es que el xG no predice: describe. Describe la calidad de ocasiones creadas independientemente de la suerte, del acierto del portero o del mal día del delantero. A medio plazo, el xG tiende a converger con los goles reales: un equipo que sostiene 1,8 xG por partido durante 15 jornadas acaba marcando cerca de 1,8 goles por partido en ese tramo, con desviaciones de ±0,3 que se explican por varianza natural.
Para el apostante, el xG por partido es útil en dos dimensiones. La primera es detectar equipos que sobrerrinden o subrrinden respecto a su producción real, lo que anticipa correcciones futuras del mercado. La segunda es alimentar modelos Poisson simplificados: con el xG del ataque de A y del ataque de B, se puede estimar la probabilidad de cada resultado (0-0, 1-0, 2-1, etc.) y de cada mercado derivado (Over 2,5, BTTS, 1X2).
Cuando xG y goles reales no coinciden
Esta es la parte más interesante del análisis. Un equipo con xG acumulado de 25 y goles reales de 30 tras 15 jornadas está sobrerrindiendo. Puede deberse a eficiencia real (mejor acierto que la media, delantero en forma extraordinaria) o a suerte pura. A medio plazo, la regresión a la media juega: el equipo empezará a convertir ocasiones con la eficiencia esperada, los goles bajarán y el mercado ajustará las cuotas con algo de retraso. En ese hueco temporal vive la oportunidad.
Lo contrario también se cumple. Un equipo con xG de 22 y goles reales de 17 está subrrindiendo. Si el rendimiento en xG es consistente y el perfil del delantero mantiene capacidad de finalización, los goles volverán, y con ellos la corrección del mercado. Apostar a Over 2,5 en partidos de este tipo de equipo antes de la corrección produce value recurrente si el análisis está bien hecho.
La Ligue 1 presenta ejemplos de ambos patrones cada temporada. El PSG, por su potencia ofensiva, rara vez subrrinde a largo plazo, pero puede hacerlo durante 4-5 jornadas por rotaciones europeas. Lille y Monaco tienen temporadas enteras con divergencias xG-goles en las dos direcciones. Los equipos de la mitad baja suelen mostrar rendimientos más volátiles, con tramos de sobrerrendimiento que acaban corrigiéndose bruscamente.
Fuentes públicas de xG para apostantes hispanos
Hay tres fuentes que uso de forma rutinaria. Understat (understat.com) ofrece xG por partido, por temporada y por jugador, con visualizaciones de mapa de tiros muy claras. Cubre Ligue 1 desde 2014-15, con actualización casi en tiempo real tras cada jornada. Es gratuita y probablemente la más accesible para quien empieza.
FBref (fbref.com) es la segunda referencia y la más completa estadísticamente. Usa datos de Opta Sports y ofrece xG junto a decenas de métricas adicionales (xA, xGA, progressive passes, PPDA). Su interfaz es menos visual que Understat pero sus tablas comparativas por equipo son imbatibles para análisis cruzados.
Opta Analyst y The Analyst son fuentes premium con modelo xG propio, algo diferente del modelo abierto que usan Understat y FBref. Las diferencias entre modelos suelen ser pequeñas (±0,1 xG por partido) pero a lo largo de muchas apuestas, saber qué modelo alimenta tus decisiones importa. Personalmente trabajo con FBref para datos agregados y Understat para análisis por partido, y reviso Opta cuando necesito granularidad adicional.
El mercado de apuestas en España movió 1 454,59 millones de euros en GGR durante 2024, con un crecimiento del 17,61% respecto al año anterior. Esa escala de mercado permite que operadores con licencia DGOJ ofrezcan mercados derivados del xG implícitamente en sus líneas de Over/Under y hándicap, aunque no lo expliciten. Como dijo Maarten Haijer, secretario general de EGBA, el mercado online europeo se apoya en «cambios en las preferencias de los consumidores y avances tecnológicos», y el avance del xG en la cultura apostadora forma parte de esa transformación.
xG aplicado a Over/Under en la Ligue 1
La aplicación más directa del xG al mercado de apuestas es el Over/Under de goles. Suma el xG del ataque del equipo A con el del ataque del equipo B en sus últimos 10 partidos, ajustados por la defensa del rival (usando xGA del adversario). Ese total esperado, metido en una distribución Poisson, te da la probabilidad de cada tramo de goles totales.
Con una media goleadora de la Ligue 1 2024-25 de 2,98 goles por partido, la línea 2,5 del mercado se resuelve en Over en torno al 57-59% de las veces. Si tu modelo xG dice que un partido concreto tiene 3,15 goles esperados, la probabilidad Poisson de Over 2,5 sube al 65%. Frente a una cuota 1,90 (probabilidad implícita 52,6%), el value es sustancial y justifica apuesta.
El mismo ejercicio aplica a BTTS: con el xG por equipo puedes calcular la probabilidad de que cada uno marque al menos un gol, y de ahí la probabilidad conjunta. Los modelos más sofisticados incorporan correlación (si un equipo marca primero, el otro arriesga más, lo que eleva ambas probabilidades) pero para la mayoría de apostantes, un modelo Poisson simple con xG es mejor herramienta que intuición pura.
Limitaciones que no conviene ignorar
El xG no es infalible, y pretenderlo sería ingenuo. La primera limitación es la muestra. Con menos de 6-8 partidos recientes, el xG por equipo es ruidoso y sujeto a oscilaciones fuertes. Un delantero en racha, un partido contra 10 jugadores, un penalti claro, pueden distorsionar el xG por encima de la realidad estructural. Filtrar por partidos contra rivales comparables mejora la lectura.
La segunda limitación son los cambios de entrenador o sistema. Un equipo que cambia de entrenador a mitad de temporada resetea buena parte de su perfil xG. Los 10 partidos previos al cambio dejan de ser predictivos: necesitas 5-6 partidos del nuevo sistema antes de sacar conclusiones fiables.
La tercera limitación es el xG contra rivales extraordinarios. El xG generado contra el PSG no es comparable al xG generado contra un equipo del descenso. Algunos modelos ya ajustan por fortaleza del rival (llamado «xG adjusted»), pero no todos lo hacen, y saber qué modelo usas antes de confiar en una cifra concreta es parte del rigor analítico.
Para construir una estrategia completa alrededor del xG y combinarla con otros enfoques como value betting y bankroll management, la guía de estrategias de apuestas en la Ligue 1 ordena cada elemento metódicamente con ejemplos aplicados.
¿El xG incluye los penaltis?
Depende del modelo. Algunos modelos de xG asignan el valor fijo del penalti (0,76) cada vez que se produce uno, lo que puede inflar artificialmente el xG de equipos que cobran muchos penaltis en un tramo corto. Otros modelos separan xG de juego abierto del xG de penalti y lo muestran como métrica distinta. Las fuentes como Understat y FBref suelen ofrecer ambos datos por separado, y para el análisis de apuestas conviene trabajar con xG sin penaltis como métrica estructural, reservando los penaltis como evento específico.
¿Con cuántos partidos de muestra el xG se vuelve fiable?
La convergencia entre xG y goles reales empieza a ser estadísticamente significativa a partir de los 15-20 partidos de muestra. Con menos de 10 partidos, el xG es demasiado ruidoso para sacar conclusiones fuertes sobre rendimiento estructural. Para análisis de apuestas, uso ventanas móviles de 10 partidos como indicador reciente y de 20 partidos como referencia estructural. Los cambios dentro del plantel (fichajes, lesiones de largo plazo) reinician parcialmente el conteo.
¿Qué es el xGA y cómo lo interpreta un apostante?
El xGA (Expected Goals Against) mide la calidad de las ocasiones concedidas por un equipo a sus rivales. Un equipo con xGA bajo genera pocas oportunidades claras para el rival. Un equipo con xGA alto concede con facilidad aunque el marcador no siempre lo refleje. Para apuestas, xGA es útil al proyectar Over/Under y BTTS: un partido entre dos equipos con xGA alto tiene alta probabilidad de BTTS y Over 2,5, incluso si ninguno es especialmente ofensivo. Cruzar xG del atacante con xGA del defensor da una estimación de la producción esperada en ese partido concreto.
Creado por la redacción de «Apuestas Liga Francesa».
