Análisis de la métrica de Goles Esperados xG en la Ligue 1

Implementación de la métrica de goles esperados xG en apuestas

El xG cambió mi forma de apostar en la Ligue 1. No fue un cambio gradual — fue un antes y un después. Antes del xG, miraba los goles reales y sacaba conclusiones. Después, aprendí que un equipo que gana 1-0 con un xG de 2,3 está jugando mucho mejor de lo que el marcador dice, y que uno que gana 3-0 con un xG de 1,1 tuvo más suerte que mérito. Esa diferencia entre lo que parece y lo que es resulta ser exactamente lo que necesitas para encontrar valor en las cuotas.

Qué mide el xG y cómo se calcula

Los goles esperados — expected goals o xG — miden la calidad de las ocasiones de gol, no el resultado. Cada tiro que se produce en un partido recibe un valor entre 0 y 1 basado en la probabilidad histórica de que ese tipo de tiro termine en gol. Un penalti tiene un xG de aproximadamente 0,76; un cabezazo desde el punto de penalti, alrededor de 0,10; un disparo desde 30 metros, quizá 0,03. Sumando el xG de todos los tiros de un equipo obtienes el xG del partido — una medida de cuántos goles «debería» haber marcado basándose en la calidad de sus ocasiones.

El cálculo tiene en cuenta varios factores: la distancia al gol, el ángulo de tiro, la parte del cuerpo utilizada, el tipo de asistencia previa y si la jugada venía de una transición rápida o de un ataque posicional. Los modelos más avanzados incorporan la posición de los defensores y del portero, aunque estos datos no siempre están disponibles para todas las ligas.

Lo que el xG no captura es la calidad del ejecutante. Un penalti tiene el mismo xG lo lance Dembélé o un central que nunca ha chutado a puerta. Eso es una limitación deliberada del modelo: el xG mide la oportunidad, no al jugador. Para el apostante, esto significa que el xG es una herramienta, no una respuesta. Necesitas combinarlo con tu conocimiento de la plantilla y el contexto del partido.

Aplicaciones prácticas del xG en apuestas de la Ligue 1

La primera aplicación que descubrí — y la que más dinero me ha dado — es identificar equipos que sobreperforman o infraperforman respecto a su xG. En la Ligue 1 de 2024-25, con 2,98 goles de media por partido y un 56% de partidos con Over 2,5, las discrepancias entre xG y goles reales eran frecuentes y explotables.

Cuando un equipo lleva cinco partidos marcando más goles de los que su xG justifica, es probable que su producción goleadora baje en las próximas jornadas. Los operadores fijan las cuotas basándose en resultados recientes, no en xG, así que la cuota del Under en los partidos de ese equipo puede tener valor si su xG dice que está sobreperformando. Lo contrario también funciona: un equipo con xG alto y pocos goles está «debiendo» goles al destino, y las cuotas del Over podrían estar infladas.

La segunda aplicación es evaluar la solidez defensiva real de un equipo. El xG en contra (xGA) mide la calidad de las ocasiones que concede. Un equipo que ha recibido pocos goles pero tiene un xGA alto está sobreviviendo gracias a su portero o a la mala puntería rival, no a su organización defensiva. Cuando identifico esa discrepancia, la cuota del BTTS «Sí» en los partidos de ese equipo suele tener valor porque el mercado mira los goles encajados, no los que debería haber encajado.

La tercera aplicación es específica de la Ligue 1: comparar el xG de los partidos con PSG frente al xG sin PSG. El PSG distorsiona las medias de muchos equipos porque genera un xG en contra elevadísimo cuando les enfrenta. Si eliminas los datos del partido contra el PSG del registro de un equipo, a veces la imagen cambia drásticamente y las cuotas para el resto de sus partidos se vuelven más predecibles.

Limitaciones del xG: qué no captura

Después de años usando xG, he aprendido a respetar sus límites tanto como sus fortalezas. El xG no captura la presión defensiva que sufre el tirador, no distingue entre un tiro con el pie bueno y uno con el pie malo, y no tiene en cuenta el contexto emocional del partido. Un derbi con el estadio en ebullición no genera el mismo tipo de tiros que un partido intrascendente de mitad de tabla, aunque las coordenadas del disparo sean idénticas.

En la Ligue 1 hay un factor adicional que el xG no recoge bien: las condiciones meteorológicas. Los partidos de invierno en el norte de Francia — Lille, Lens, Estrasburgo — se juegan en condiciones que afectan a la calidad de los tiros y a la capacidad de los porteros. Un disparo lejano sobre un campo empapado es más peligroso que el mismo disparo en un campo seco, pero el modelo de xG les asigna el mismo valor.

Mi recomendación es tratar el xG como un filtro, no como un oráculo. Lo uso para descartar apuestas que parecen buenas pero no lo son y para identificar oportunidades que los resultados brutos esconden. Pero nunca apuesto exclusivamente porque el xG me dice que hay valor — siempre lo cruzo con el análisis visual del partido, el contexto competitivo y la cuota del mercado.

Otra limitación práctica: los datos de xG tardan en publicarse. Dependiendo de la fuente, pueden pasar entre 12 y 48 horas después del partido antes de que los xG actualizados estén disponibles. Para las apuestas pre-partido de la jornada siguiente, eso puede ser un problema si juegas en fin de semana y la próxima jornada es entre semana. He aprendido a tener paciencia y no forzar análisis con datos incompletos — un xG parcial es peor que no tener xG, porque te da falsa confianza en un dato que no es definitivo.

Para ver cómo el xG se integra con otras métricas en un análisis más completo, revisa el artículo sobre estadísticas de la Ligue 1 para apuestas.