Si seguís el fútbol con algo de profundidad, seguro ya te cruzaste con la sigla xG. Aparece en transmisiones, en redes, en debates interminables sobre si tal equipo "mereció" ganar. Pero la realidad es que pocos entienden qué hay detrás del número. Y eso es un problema, porque el xG no es una curiosidad para nerds: es la herramienta que cambió la forma de evaluar jugadores, equipos y partidos en todo el mundo.
Vamos a desarmar la métrica pieza por pieza.
Qué es el xG y por qué importa
El gol esperado --- o expected goal (xG) --- es un modelo estadístico que le asigna a cada disparo una probabilidad de terminar en gol. Esa probabilidad va de 0 (imposible) a 1 (gol seguro), y se calcula analizando cientos de miles de tiros históricos con características similares.
Un penal, por ejemplo, tiene un xG de aproximadamente 0.76. Eso significa que, históricamente, el 76% de los penales terminan en gol. Un cabezazo después de un centro tiene alrededor de 0.10 xG. Un tiro desde 25 metros, apenas 0.03 o 0.04.
La gracia está en que el xG no te dice "este tiro va a ser gol". Te dice: "de cada 100 tiros así, más o menos X terminan adentro". Es una herramienta probabilística, no una bola de cristal.
¿Y para qué sirve eso?
Para separar la realidad del ruido. Un equipo que gana partidos pero genera un xG bajo está viviendo de prestado --- en algún momento, los resultados se van a ajustar. Un delantero que marca 15 goles con un xG de 8 es un finisher excepcional. Uno que marca 3 con un xG de 10 tiene un problema serio de definición.
Cómo se calcula: lo que hay adentro del modelo
Cuando decimos que un tiro tiene 0.12 xG, no es un número inventado. Es el resultado de un modelo de machine learning entrenado con datos masivos. El modelo de Opta, por ejemplo, utiliza casi un millón de disparos históricos de más de 40 competiciones y emplea más de 20 variables para calcular cada probabilidad.
Las más relevantes:
- Distancia y ángulo al arco --- la base de todo. Más lejos y más escorado, menos chances.
- Parte del cuerpo --- un remate con el pie tiene más precisión que un cabezazo. El modelo lo sabe.
- Tipo de asistencia --- no es lo mismo recibir un pase filtrado que ganar un rebote. Un pase al espacio genera mejores oportunidades.
- Situación de juego --- contraataque, jugada posicional, tiro libre, corner. Cada contexto tiene su propia distribución de conversión.
- Presión defensiva --- cuántos rivales hay en el camino, cuánto del arco está bloqueado.
- Posición del arquero --- si está adelantado, la probabilidad cambia.
El algoritmo más usado hoy es XGBoost (gradient boosted trees), aunque también se emplean redes neuronales y regresión logística según el proveedor.
Un poco de historia: quién inventó esto
El xG no tiene un inventor único. Fue un desarrollo paralelo que ocurrió entre 2004 y 2012 en varios lugares a la vez.
En 2004, Jake Ensum y sus colegas analizaron 37 partidos del Mundial 2002 y encontraron 5 factores que determinaban si un tiro era gol. Ese fue uno de los primeros intentos académicos de cuantificar la calidad de los disparos.
En 2011, Sarah Rudd --- que trabajaba para la startup StatDNA --- presentó un modelo basado en cadenas de Markov que ya incorporaba la posición de los defensores. Poco después, Arsenal compró StatDNA.
El momento de popularización llegó en abril de 2012, cuando Sam Green, analista de Opta, publicó un estudio basado en más de 300.000 disparos de la Premier League. Green después reconoció que no se consideraba el inventor del concepto: ni siquiera sabía que StatDNA estaba trabajando en lo mismo.
Lo interesante es que el hockey sobre hielo ya usaba conceptos similares desde 2004. El fútbol no inventó la rueda, la adaptó.
Ejemplos reales: cuándo el xG cuenta la historia que los goles no cuentan
Acá es donde la métrica se vuelve poderosa.
Messi y el arte de superar lo esperado
Lionel Messi es el mayor "sobreperformante" de xG en la historia del fútbol europeo. En la temporada 2012/13, marcó goles a un ritmo que estadísticamente solo ocurriría una vez cada 1.6 millones de temporadas individuales. Desde 2015/16, acumuló 257 goles con un xG de 200 --- 57 goles más de lo que el modelo predecía. Eso no es suerte. Es habilidad pura que el xG no puede capturar en el momento del tiro, pero sí revela cuando lo comparás contra el resto.
Chris Wood y la temporada imposible
En la Premier League 2024/25, Chris Wood del Nottingham Forest marcó 18 goles de un xG de 11.18. El dato más brutal: el 94% de sus goles fueron de primera intención. Forest como equipo convirtió 58 goles de 46.5 xG --- el mayor sobreperformance de la liga esa temporada. ¿Se puede sostener? La historia dice que es muy difícil.
De Gea y lo que el xG revela de los arqueros
En 2017/18, David De Gea concedió 28 goles cuando el modelo esperaba casi 40 (39.7 xGOT). Es decir, previno unos 12 goles que cualquier otro arquero habría concedido. Eso es rendimiento élite. Y efectivamente, en temporadas posteriores su nivel se normalizó.
Las variantes del xG que necesitás conocer
El xG básico es solo el principio. Hay una familia de métricas derivadas que cuentan historias diferentes:
npxG (Non-Penalty xG)
Excluye los penales para evaluar la creación de chances real. Es la versión que se usa para comparar delanteros, porque un jugador que tira muchos penales infla sus números artificialmente.
xGOT (Expected Goals on Target)
Acá es donde la cosa se pone interesante. El xG mide la chance antes del tiro. El xGOT mide la calidad del tiro mismo --- hacia dónde fue la pelota dentro del arco. Un disparo a la escuadra puede tener 0.99 xGOT aunque el xG original fuera 0.08. Es la métrica clave para evaluar definidores y arqueros.
xA (Expected Assists)
Mide la probabilidad de que un pase se convierta en asistencia. Evalúa la creatividad del pasador sin depender de si el compañero define o no.
xGChain y xGBuildup
Le dan crédito a todos los jugadores que participaron en la jugada que terminó en tiro. xGChain incluye al tirador y al asistidor; xGBuildup los excluye, aislando la fase de construcción. Así se descubren jugadores como volantes centrales o laterales que son fundamentales en el ataque pero nunca aparecen en las estadísticas de goles.
Cómo usan el xG los scouts y analistas profesionales
Esto no es solo para debates de Twitter. Los clubes de élite toman decisiones millonarias basadas en estas métricas.
Brentford es el caso más emblemático. Compraron a Neal Maupay del Saint-Étienne por poco dinero después de detectar sus números excepcionales de xG relativo a minutos jugados. Maupay marcó 41 goles en 2 temporadas y lo vendieron a Brighton con una ganancia enorme. Después hicieron lo mismo con Ivan Toney.
Liverpool, bajo la dirección de Ian Graham (director de investigación), fichó a Mohamed Salah impulsado por analítica que detectó su contribución de xG, pressing y velocidad. Andrew Robertson salió de Hull City --- un equipo descendido --- porque los datos mostraban progressive passes y acciones defensivas de élite.
Brighton descubrió a Moisés Caicedo en Ecuador y a Alexis Mac Allister en Argentina antes de que fueran nombres conocidos, usando estas métricas como filtro inicial.
El patrón es claro: xG alto + pocos goles = oportunidad de compra (si el problema de definición es corregible). xG bajo + muchos goles = jugador que probablemente no va a sostener su nivel.
Las limitaciones: lo que el xG NO te dice
Sería deshonesto vender el xG como una verdad absoluta. Tiene problemas reales:
No hay un estándar único. Los valores de Opta, StatsBomb y Understat para el mismo tiro pueden ser diferentes. Los modelos usan variables distintas y entrenan con datos distintos.
En muestras chicas, no sirve. En un partido individual, la diferencia entre xG y goles reales puede ser puro ruido estadístico. La métrica necesita volumen para ser confiable.
No mide al tirador. El xG captura la calidad de la oportunidad, no la habilidad del jugador. Para eso necesitás xGOT. Si Messi y un juvenil de tercera tiran desde el mismo lugar, el xG es igual --- pero todos sabemos que no es lo mismo.
Que un equipo tenga más xG no significa que "mereció ganar". Significa que generó mejores oportunidades. Pero el fútbol se gana con goles, no con probabilidades.
Dónde consultar datos de xG
- Understat (understat.com) --- gratuito, cubre las 5 grandes ligas europeas. Usa redes neuronales con más de 100.000 disparos.
- FBref (fbref.com) --- en enero de 2026 perdió los datos avanzados de Opta, por lo que sus estadísticas de xG ya no están disponibles.
- FutbolScan --- nuestra plataforma integra datos de scouting con métricas avanzadas para análisis profesional.
- StatsBomb (vía Hudl) --- datos de máxima granularidad, usado por clubes profesionales. Incluyen "freeze frames" con la posición de todos los jugadores.
- Opta / Stats Perform --- el proveedor más grande, con cobertura masiva de ligas.
El xG no es perfecto, pero es necesario
Antes del xG, evaluar un partido dependía casi exclusivamente de ver los goles y los tiros al arco. Un equipo que tiraba 20 veces --- la mayoría desde 30 metros --- parecía dominante en las estadísticas. Hoy sabemos que 3 chances claras valen más que 15 tiros lejanos.
El xG le dio estructura a una intuición que los buenos analistas siempre tuvieron: no todas las oportunidades son iguales. La diferencia es que ahora podemos cuantificarlo, compararlo y tomar decisiones con datos.
Si trabajás en scouting, dirección deportiva o análisis táctico, ignorar el xG es como intentar navegar sin GPS. Podés hacerlo, pero vas a llegar más lento y con más errores.
Este artículo es parte de la biblioteca editorial de FutbolScan, donde combinamos análisis de datos y scouting profesional para entender el fútbol moderno.
