Qué Mide el xG y Por Qué Revolucionó el Análisis de Apuestas Deportivas
Hace seis años, cuando empecé a incorporar el xG a mis análisis, un colega me dijo que era «una moda académica que no servía para ganar dinero». Tres temporadas después me pidió que le enseñara. El xG no es una moda — es la herramienta que más ha cambiado la forma de apostar en fútbol desde que existen las cuotas online.
xG — Expected Goals, o goles esperados — mide la probabilidad de que un disparo termine en gol, basándose en las características de la jugada: distancia a portería, ángulo, parte del cuerpo utilizada, tipo de asistencia, velocidad del juego, posición del portero y de los defensores. Un penalti tiene un xG de aproximadamente 0.76 — es decir, se convierte en gol el 76% de las veces. Un cabezazo desde fuera del área tiene un xG de 0.02. La suma de todos los xG de los disparos de un equipo en un partido da su xG total, que representa los goles que «debería» haber marcado según la calidad de sus ocasiones.
Lo que revolucionó las apuestas no fue el concepto en sí, sino lo que reveló: que los goles mienten. Un equipo puede ganar 1-0 con un solo disparo de xG 0.05 — un tiro que solo se convierte el 5% de las veces — y perder el siguiente partido 3-0 a pesar de generar un xG de 2.8. Los resultados son ruidosos; el xG filtra ese ruido y muestra el rendimiento subyacente. Para el apostador, eso significa poder identificar equipos que están rindiendo por debajo o por encima de lo esperado, mucho antes de que las cuotas se ajusten.
Cómo Se Calcula el xG: Variables, Modelos y Fuentes Públicas
No necesitas un doctorado en estadística para entender cómo funciona el cálculo del xG, pero sí necesitas entender qué entra en el modelo y qué no, porque eso define sus limitaciones.
El modelo básico de xG toma cada disparo y le asigna una probabilidad de gol basada en datos históricos. Las variables principales son la distancia a portería, el ángulo de disparo y si fue con el pie o con la cabeza. Los modelos más avanzados — los que usan Opta, StatsBomb o FBref — añaden docenas de variables adicionales: si el disparo vino de una jugada abierta, un contragolpe, un centro, un rebote; si el portero estaba bien posicionado; si había defensores entre el balón y la portería; la velocidad de la jugada previa al disparo.
Cada proveedor de datos tiene su propio modelo, y las cifras varían. Un mismo partido puede registrar un xG de 1.8 según un proveedor y de 2.1 según otro. Esas diferencias no invalidan el xG — reflejan distintas metodologías de cálculo. Lo importante para el apostador no es la cifra absoluta, sino la consistencia: usar siempre el mismo proveedor para comparar equipos y partidos a lo largo de la temporada.
Las fuentes públicas más fiables para datos de xG de la Premier League son FBref — que utiliza el modelo de StatsBomb –, Understat, y FootyStats. FBref ofrece datos gratuitos desglosados por equipo, jugador y partido, actualizados con 24-48 horas de retraso. Understat proporciona mapas de tiro con el xG de cada disparo individual, lo que permite un análisis más granular. OddAlerts integra datos de xG con cuotas de mercado, lo que resulta útil para identificar discrepancias directamente.
Un aspecto que muchos pasan por alto: el xG no incluye la calidad del rematador. Un penalti tiene xG 0.76 tanto si lo lanza un delantero de élite como un central que nunca marca de penalti. Algunos modelos avanzados incorporan el «post-shot xG» o xGOT, que tiene en cuenta la dirección y potencia del disparo, pero el xG estándar — el que encontrarás en la mayoría de fuentes públicas — no lo hace. Esa limitación es relevante: un equipo cuyo delantero estrella es un finalizador excepcional tendrá más goles que xG de forma sistemática, y eso no es suerte — es habilidad individual que el modelo no captura.
xGA y xPTS: La Otra Cara del Modelo para Evaluar Defensas y Clasificación
El xG ofensivo solo cuenta la mitad de la historia. Si quieres evaluar a un equipo de forma completa, necesitas mirar lo que concede, no solo lo que genera. Ahí entran el xGA y el xPTS.
xGA — Expected Goals Against — es simplemente el xG que generan los rivales contra tu equipo. En la temporada 2025/26, Arsenal lidera la Premier League con el xGA más bajo: 28,26 en 31 partidos, una media de 0,88 por partido. Eso significa que la defensa del Arsenal solo permite a sus rivales generar ocasiones de muy baja calidad. Comparado con equipos de la zona baja que pueden estar concediendo un xGA de 1,6 o 1,7 por partido, la diferencia es abismal — y es una diferencia que se refleja en los mercados de Under/Over y BTTS mucho antes de que se refleje en la tabla de clasificación.
xPTS — Expected Points — lleva el análisis un paso más allá. Toma el xG y el xGA de cada partido, simula miles de resultados posibles basándose en esas cifras, y calcula cuántos puntos «debería» haber obtenido cada equipo. La tabla de xPTS suele diferir de la tabla real, a veces de forma dramática. Un equipo que está cuarto en la tabla real pero octavo en xPTS es un equipo que ha tenido suerte — sus resultados son mejores de lo que su rendimiento justifica. A largo plazo, esa divergencia tiende a corregirse, y las cuotas que reflejan la tabla real en lugar de la tabla de xPTS pueden estar sobrevaloradas o infravaloradas.
He usado la tabla de xPTS como herramienta de contraste durante las últimas cuatro temporadas. No la sigo a ciegas — hay factores que el xPTS no captura, como la calidad individual en momentos clave o la solidez mental de un equipo en partidos cerrados –, pero cuando la divergencia entre puntos reales y xPTS supera los seis puntos a estas alturas de la temporada, es una señal de alerta que tomo muy en serio a la hora de evaluar cuotas de mercados a largo plazo como campeón, descenso o Top 4.
Del Dato al Pronóstico: Usar xG para Detectar Value Bets en la PL
Todo lo anterior es teoría útil, pero el apostador quiere saber una cosa: cómo convierto el xG en dinero? La respuesta no es tan directa como «apuesta al equipo con mejor xG», pero tampoco es tan compleja como parece.
El primer paso es identificar discrepancias entre rendimiento real y rendimiento esperado. Chelsea, en la temporada 2025/26, genera un xG de 1,99 por partido pero solo marca 1,71 goles por encuentro — un subrendimiento de 0,28 goles por partido. Esa discrepancia sugiere que Chelsea está creando suficientes ocasiones para marcar más de lo que marca. Si las cuotas del operador reflejan los goles reales y no el xG, la cuota del Chelsea puede estar infravalorada en mercados de Over goles del equipo, goleador, o handicap favorable.
El segundo paso es cruzar el xG/xGA de ambos equipos para un partido específico. Si el equipo local genera un xG de 1,9 por partido y el visitante concede un xGA de 1,7, el partido tiene un perfil ofensivo claro para el local. Si además el visitante genera 1,3 de xG y el local concede 1,1 de xGA, el perfil total del partido apunta a un xG combinado de 3,0 o más. Compara ese dato con la cuota de Over 2.5 ofrecida: si la cuota implica una probabilidad del 55% y tu modelo estima un 63%, tienes un value bet.
El tercer paso — y el que separa el análisis amateur del profesional — es ajustar por contexto. El xG medio de un equipo en toda la temporada no es el mismo que su xG en partidos como local contra equipos de la mitad inferior de la tabla. Segmentar los datos por situación — local vs. visitante, contra equipos del tercio superior vs. inferior, con o sin jugadores clave — aumenta la precisión de tu estimación. Las fuentes públicas como FBref permiten este tipo de filtrado, y dedicar 15 minutos a segmentar los datos antes de cada jornada puede ser la diferencia entre una estrategia rentable y una que pierde lentamente.
Una advertencia que daría a cualquier apostador que empiece a usar xG: no es una bola de cristal. Es una herramienta que reduce la incertidumbre, no que la elimina. Un equipo puede tener un xG de 3.0 en un partido y perder 0-1. Ocurre. Lo que el xG te da es una ventaja a largo plazo — sobre 50, 100, 200 apuestas, el apostador que estima probabilidades usando xG tomará mejores decisiones que el que se guía por la intuición o por los resultados recientes. Esa ventaja, compuesta a lo largo de una temporada, es lo que genera rentabilidad.
