El fútbol genera el 25,4% de todo el dinero que se mueve en el mercado global de apuestas deportivas. Es, con diferencia, el deporte rey del sector. Y sin embargo, la inmensa mayoría de los apostadores analiza partidos con las mismas estadísticas que usaban hace veinte años: goles marcados, goles recibidos, posesión y poco más. Los expected goals — xG — son la métrica que los bookmakers ya utilizan para calcular sus cuotas y que ninguna guía en español explica con la profundidad que merece para apostadores.
Descubrí el xG en 2019 y recuerdo pensar que era una de esas modas analiticas que desaparecerían en un año. Me equivoqué. Tres temporadas después, había integrado los expected goals en apuestas de fútbol como variable central de mi modelo, y mis resultados mejoraron de forma medible. No fue magia — fue añadir una capa de información que el mercado ya usaba y que yo estaba ignorando. En esta guía voy a explicar exactamente qué mide esta métrica, como interpretarla, donde encontrar datos fiables y, sobre todo, como convertirla en una herramienta práctica para detectar valor en las cuotas.
Qué miden los expected goals y cómo se calculan
La temporada pasada, un equipo de La Liga marcó 45 goles en 38 partidos. Parece un dato sólido, pero no te dice casi nada. No te dice si esos goles vinieron de ocasiones claras o de disparos imposibles que entraron por suerte. No te dice si el equipo generó cien oportunidades y solo convirtió 45, o si generó 50 y convirtió la mayoría. Los expected goals resuelven exactamente esa ambigüedad.
El xG asigna a cada disparo una probabilidad de gol basada en factores históricos: la posición del disparo en el campo, el ángulo respecto a la porteria, la parte del cuerpo utilizada, si fue un disparo a balón parado o en juego abierto, si el portero estaba bien posicionado y la distancia al arco. Un disparo desde el punto de penalti tiene un xG de aproximadamente 0,76 — es decir, se convierte en gol el 76% de las veces. Un remate de cabeza desde fuera del area pequeña puede tener un xG de 0,04. Sumando el xG de todos los disparos de un equipo en un partido, obtienes el xG total del partido: una estimación de cuántos goles «debería» haber marcado según la calidad de sus oportunidades.
La diferencia entre xG de equipo y xG de jugador es importante. El xG de equipo mide la calidad ofensiva colectiva — cuántas y qué tipo de oportunidades genera el sistema tactico. El xG de jugador mide la eficiencia individual — si un delantero esta convirtiendo por encima o por debajo de lo esperado. Ambos son utiles, pero para apuestas de partidos, el xG de equipo es más relevante porque refleja la capacidad de generar ocasiones, que es más estable y predecible que la puntería individual.
El dato clave para un apostador es la diferencia entre xG y goles reales. Un equipo que lleva diez jornadas marcando más goles que su xG esta sobrerindiendo. La ley de la regresión a la media dice que, tarde o temprano, sus números se ajustaran. Y cuando eso pase, sus resultados empeoraran. El mercado de cuotas, que se basa parcialmente en resultados recientes, puede tardar en reflejar esa corrección. Ahí hay valor.
xG vs. resultados reales: cómo detectar equipos sobrevalorados
Hace dos temporadas seguí un caso que ilustra perfectamente como el xG destapa equipos sobrevalorados por el mercado. Un equipo de mitad de tabla en una liga europea acumulo 22 puntos en las primeras 12 jornadas — un ritmo de zona europea. Sus cuotas para ganar partidos rondaban el 2.10-2.30, reflejando la percepción de un equipo sólido. Pero al revisar sus números de xG, la historia era diferente: su xG acumulado solo justificaba unos 16 puntos. Los seis puntos extra venían de goles convertidos con una eficiencia anormalmente alta y de un portero que estaba parando todo.
La regresión llegó entre la jornada 13 y la 20. El equipo pasó de ganar a empatar y perder, sin cambios en plantilla ni lesiones significativas. Simplemente, sus números de conversión volvieron a la media. Sus cuotas, que al principio de esa racha mala seguían siendo relativamente bajas porque el mercado aún recordaba los resultados anteriores, ofrecieron valor en contra durante semanas.
El proceso para detectar esto es sistemático. Primero, compara los puntos reales de un equipo con los puntos que su xG predice — hay herramientas que calculan la «tabla xG» automáticamente. Los equipos que están significativamente por encima de su proyeccion xG son candidatos a regresión negativa. Los que están por debajo, candidatos a regresión positiva. Segundo, verifica que la discrepancia no tenga una causa estructural. Si un equipo tiene un delantero de elite que consistentemente convierte por encima del xG promedio, eso no es suerte — es habilidad individual. Pero si la sobreproducción viene de todo el equipo y no de un jugador específico, es más probable que sea insostenible.
Tercero, y esto es lo que separa el análisis aficionado del profesional: no apuestes solo por la regresión. Usala como un filtro. Si el xG te dice que un equipo esta sobrevalorado, busca la cuota que refleja esa sobrevaloracion y calcula si hay valor suficiente para apostar. Solo entre el 3% y el 5% de los apostadores son rentables a largo plazo, y una razón clave es que la mayoría no usa herramientas como el xG para cuantificar sus intuiciones.
xGA: el lado defensivo que casi nadie analiza
Cuando hablo de xG en foros de apuestas, todo el mundo asiente. Cuando menciono el xGA — expected goals against, o goles esperados en contra — la mayoría se queda en blanco. Es la mitad de la ecuacion que casi nadie analiza, y eso es precisamente lo que la convierte en una fuente de edge.
El xGA funciona igual que el xG pero en espejo: mide la calidad de las oportunidades que un equipo concede a sus rivales. Un equipo con un xGA bajo concede pocos disparos y desde posiciones lejanas. Un equipo con un xGA alto esta permitiendo remates cercanos y con ángulo favorable. Si un equipo tiene pocos goles en contra pero un xGA alto, su portero esta rindiendo por encima de lo esperado o la suerte le esta favoreciendo. Ambas cosas tienden a normalizarse.
La aplicación directa a mercados de apuestas es en el over/under y el BTTS — ambos equipos marcan. Si enfrentas a un equipo con xGA alto contra un equipo con xG alto, tienes un escenario favorable para el over. Si ambos equipos tienen xGA alto, el BTTS gana atractivo. Estos cruces simples, cuando se hacen con datos actualizados de ocho a diez partidos, generan señales más fiables que mirar solo los goles encajados en las últimas jornadas.
Un ejemplo que uso a menudo: un equipo que ha encajado solo 4 goles en 8 partidos parece una fortaleza defensiva. Pero si su xGA acumulado en esos 8 partidos es de 9,5, la realidad es que su defensa esta concediendo oportunidades claras y el portero esta salvando lo insalvable. Apostar al under en sus partidos basandote en los goles reales es ignorar la evidencia. El xGA te dice que esos goles van a llegar.
Otro uso que le doy al xGA es identificar equipos «vulnerables disfrazados». Son equipos con buena clasificación, pocos goles en contra en la tabla, pero un xGA que sugiere fragilidad defensiva. Cuando estos equipos se enfrentan a rivales con xG alto — es decir, equipos que generan muchas oportunidades claras — el cruce de métricas señala partidos con alto potencial de goles. No necesitas acertar quien gana. Solo necesitas anticipar que habrá goles, y los mercados de over/under son mucho menos eficientes que el 1X2 porque reciben menos atención por parte de los apostadores recreativos. Este tipo de análisis es especialmente relevante en el segmento de apuestas en vivo, que representa el 62% del mercado online y donde las cuotas de over/under se recalculan minuto a minuto con datos parciales del partido.
Dónde encontrar datos de xG fiables y gratuitos
Hace cinco años, acceder a datos de xG requería suscripciones caras o contactos en clubes profesionales. Hoy es gratis. Y eso cambia las reglas del juego para cualquier apostador dispuesto a invertir treinta minutos al día en análisis.
FBref es la fuente que uso como base. Cubre las cinco grandes ligas europeas y varias competiciones más con datos xG proporcionados por StatsBomb, uno de los proveedores más reputados del mercado. Puedes consultar xG por equipo, por jugador, por partido y por tramos de temporada. Los datos se actualizan con uno o dos días de retraso, lo que es suficiente para análisis prematch. Ademas, FBref permite descargar tablas en formato CSV, lo que facilita enormemente la integración con hojas de cálculo.
Understat es la otra gran fuente gratuita. Su modelo de xG es diferente al de StatsBomb — usa variables distintas y pesos diferentes — lo que significa que los números no siempre coinciden. Esto no es un defecto, es una caracteristica. Comparar los xG de dos fuentes para el mismo equipo te da una idea de la incertidumbre del modelo. Si ambas fuentes dicen que un equipo esta sobrerindiendo, la señal es más robusta.
WhoScored e InStat ofrecen estadísticas avanzadas complementarias. WhoScored tiene ratings propios que integran multiples variables, y InStat es especialmente util para ligas menores donde FBref y Understat tienen menos cobertura. Para ligas de segundo nivel — donde el edge del apostador es mayor por la menor eficiencia del mercado — estas fuentes alternativas pueden ser la diferencia.
Una advertencia importante: cada proveedor calcula el xG de manera diferente. Los modelos varian en las variables que incluyen, el tamaño de la muestra histórica y el método estadístico. Un xG de 1,5 en FBref puede ser 1,3 en Understat para el mismo partido. Esto no invalida ninguna fuente — simplemente significa que debes ser consistente. Elige una fuente como referencia principal y usala siempre. Si cambias de proveedor a mitad de temporada, estaras comparando manzanas con naranjas.
Para quien quiera profundizar, los datos premium de Opta, StatsBomb o Stats Perform ofrecen modelos más granulares que incluyen variables como la posición de todos los defensores en el momento del disparo. Pero el coste es significativo — cientos o miles de euros al año — y para la mayoría de los apostadores, los datos gratuitos de FBref y Understat son más que suficientes para construir un modelo competitivo. He operado con datos gratuitos durante años y los resultados hablan por si solos. La ventaja no está en tener datos caros, sino en saber interpretar los que tienes.
Cómo integrar xG en tu modelo de apuestas pasó a pasó
Tener datos de xG sin un proceso para convertirlos en apuestas es como tener un termometro sin saber que temperatura indica fiebre. Lo que voy a describir es el proceso que uso y que cualquier apostador con una hoja de cálculo puede replicar.
Paso uno: recopila el xG y xGA de los últimos ocho a diez partidos de cada equipo, separando local y visitante. Diez partidos es el punto intermedio entre tener suficiente muestra y capturar la forma reciente. Menos de seis es ruido; más de quince diluye los cambios tacticos recientes.
Paso dos: ajusta por contexto. El xG acumulado no es lo mismo contra rivales de la parte alta de la tabla que contra los de la parte baja. Si un equipo acumula un xG de 1,8 pero la mitad de sus partidos fueron contra equipos del descenso, su xG «real» contra rivales de su nivel es inferior. Yo uso un factor de corrección basado en el xGA promedio de los rivales enfrentados — si los rivales conceden mucho, descuento; si conceden poco, doy más peso.
Paso tres: proyecta las probabilidades del partido. Con el xG ajustado del local y el xGA ajustado del visitante — y viceversa — puedes estimar los goles esperados de cada equipo en el partido. Esa proyeccion de goles se convierte en probabilidades usando una distribución de Poisson, que no es tan compleja como suena: básicamente calcula la probabilidad de que haya 0, 1, 2, 3 o más goles para cada equipo, y de ahí derivas las probabilidades de 1X2, over/under y BTTS.
Paso cuatro: compara tus probabilidades con las cuotas del mercado. Si tu modelo dice que el over 2,5 tiene un 58% de probabilidad y la cuota ofrecida es 1.85 — que implica un 54% — tienes un 4% de valor. Los profesionales que mantienen un ROI del 3% al 7% no trabajan con margenes mucho mayores que este. La rentabilidad viene de la consistencia y el volumen, no de golpes de suerte.
Un punto que vincula directamente el xG con la estrategia de value betting: el xG es una de las mejores herramientas para estimar la probabilidad real de un resultado, que es exactamente lo que necesitas para calcular el valor esperado de una apuesta. Sin una estimación de probabilidad propia, el value betting es imposible. El xG te da esa estimación con fundamento estadístico, no con intuición.
Los 4 errores más comunes al usar xG para apostar
El primer error que veo constantemente es usar el xG de un solo partido para sacar conclusiones. Un equipo puede acumular un xG de 3,5 en un partido y 0,4 en el siguiente. La varianza partido a partido es enorme. El xG solo tiene poder predictivo cuando lo agregas — mínimo ocho partidos, idealmente diez o más. Apostar basandote en el xG de la última jornada es como juzgar a un jugador por un solo disparo.
El segundo error es ignorar el contexto. El xG no sabe si un equipo ya esta clasificado y jugo con suplentes, si el campo estaba impracticable por la lluvia, o si el rival descanso toda la semana mientras tu equipo jugo Champions entre semana. Jorge Hinojosa señala que el sector del juego online se encuentra en una fase de transformación constante, y eso incluye la sofisticacion de los modelos. Si tu análisis de xG no incorpora contexto competitivo, estas usando una herramienta sofisticada de forma simplista.
El tercer error es asumir que xG alto equivale automáticamente a goles. El xG es una medida de oportunidad, no de conversión. Un equipo puede generar un xG de 2,5 y no marcar si su delantero está en baja forma o si el portero rival tiene el partido de su vida. A largo plazo, los goles convergen con el xG. A corto plazo, cualquier cosa puede pasar. Apostar al over solo porque el xG acumulado de ambos equipos es alto sin considerar la eficiencia reciente de conversión es un error de principiante.
El cuarto error, y el más peligroso, es usar xG como única variable. El xG es poderoso, pero no lo captura todo. No mide la calidad de los pases previos al disparo, no captura el pressing alto, no refleja la solidez tactica en transiciones. Un modelo que solo usa xG será mejor que uno que no lo usa, pero será peor que uno que combina xG con factores contextuales, forma reciente ponderada y datos de mercado. Las mejores decisiones de apuestas nacen de la interseccion de multiples fuentes de información, no de una sola métrica por sofisticada que sea.