xG en Apuestas de Fútbol: Cómo Usar Expected Goals | GolData

Descubrí los xG por accidente. Estaba buscando datos de un partido de la Bundesliga y me topé con un gráfico que mostraba que un equipo que había perdido 0-1 había generado 2.4 xG frente a los 0.3 de su rival. Ese equipo había dominado cada aspecto ofensivo del partido y había perdido por pura inercia estadística. En la siguiente jornada, aposté a favor de ese equipo como local y gané. No fue suerte – fue la primera vez que usé un dato que el marcador no reflejaba.

El mercado global de apuestas deportivas se valoró en 112.260 millones de dólares en 2025, con una proyección de 325.710 millones para 2035. En un mercado de esa escala, los datos avanzados como los xG ya no son una curiosidad académica – son una herramienta que los operadores usan para fijar cuotas y que los apostadores informados usan para encontrar valor.

Voy a explicar qué son los xG, cómo se calculan, cómo aplicarlos a mercados concretos de apuestas y, tan importante como todo lo anterior, cuáles son sus limitaciones.

Qué Son los xG y Cómo se Calculan

Los xG – expected goals o goles esperados – son un modelo estadístico que asigna a cada disparo una probabilidad de terminar en gol, basándose en las características del tiro: posición en el campo, ángulo respecto a la portería, tipo de jugada previa, parte del cuerpo utilizada, número de defensores entre el balón y la portería, y la velocidad del juego.

Cada disparo recibe un valor entre 0 y 1. Un penalti tiene un xG de aproximadamente 0.76 – es decir, se convierte en gol el 76% de las veces. Un disparo desde 30 metros sin presión defensiva puede tener un xG de 0.03. La suma de todos los xG de un equipo en un partido te da el número de goles que «debería» haber marcado según la calidad de sus ocasiones.

Los modelos de xG los desarrollan empresas como Opta y StatsBomb, y cada proveedor usa variables ligeramente diferentes. No existe un xG universal – los valores varían según el modelo, lo que significa que debes ser consistente con la fuente que utilices. Mezclar xG de diferentes proveedores en un mismo análisis es como mezclar centímetros y pulgadas.

Lo que los xG no miden es la calidad del finalización del jugador. Un delantero de élite convierte ocasiones con xG bajo; un delantero mediocre falla ocasiones con xG alto. A corto plazo, esta diferencia importa. A largo plazo, la sobreperformance o infraperformance de un equipo respecto a sus xG tiende a regresar a la media. Y esa regresión es exactamente donde están las oportunidades de apuestas.

Aplicar xG a Mercados de Over/Under y BTTS

El mercado donde los xG aportan más valor inmediato no es el 1X2 – es el over/under de goles. La razón es directa: los xG miden precisamente lo que ese mercado necesita: cuántos goles es probable que se produzcan.

Europa lideró el mercado de apuestas deportivas con un 44% de cuota en 2025, y los mercados de goles – over/under y BTTS – representan una parte creciente del volumen de apuestas en las principales ligas europeas. Las cuotas de estos mercados se fijan parcialmente usando modelos xG internos de los operadores, lo que significa que si tienes un modelo xG propio o usas datos xG que el mercado aún no ha incorporado, puedes encontrar discrepancias.

El proceso que yo sigo es este: antes de un partido, consulto los xG acumulados de ambos equipos en sus últimos ocho a diez partidos, diferenciando entre partidos como local y como visitante. Si el equipo local genera una media de 1.8 xG en casa y el visitante concede una media de 1.5 xG como visitante, mi estimación del output ofensivo del local en ese partido ronda 1.6-1.7 xG. Repito el cálculo para el visitante. La suma me da una estimación de goles esperados totales que comparo con la línea over/under del operador.

Para el mercado BTTS – ambos equipos marcan –, el enfoque cambia ligeramente. En lugar de sumar xG totales, analizo los xG mínimos que cada equipo genera contra rivales del nivel del oponente. Si ambos equipos mantienen una media de al menos 0.8-1.0 xG incluso contra defensas sólidas, el BTTS «sí» tiene fundamento estadístico. Si uno de los dos equipos genera menos de 0.5 xG como visitante de forma consistente, el BTTS «no» cobra fuerza.

Un error que cometí al principio fue usar xG de toda la temporada sin filtrar por contexto. Los xG de un equipo en la jornada 3, cuando el rival aún no ha definido su forma, son menos informativos que los de la jornada 25. Mi consejo: trabaja siempre con ventanas de ocho a diez partidos recientes y pondera más los más cercanos en el tiempo.

Dónde Consultar Datos de xG Fiables y Gratuitos

Cuando empecé a integrar xG en mis análisis, el mayor obstáculo no fue la fórmula sino encontrar fuentes accesibles y fiables sin pagar una suscripción de 200 euros mensuales.

FBref, respaldado por StatsBomb, es la fuente gratuita más completa que conozco. Cubre las cinco grandes ligas europeas, Champions League y varias competiciones más con datos de xG por partido, por jugador y por equipo. La interfaz no es la más intuitiva, pero una vez que entiendes la estructura de sus tablas, el volumen de información disponible es enorme.

Understat es otra opción sólida, con un enfoque más visual y orientado a la comparación entre xG y goles reales. Su modelo es propio, distinto del de StatsBomb, lo que significa que los valores pueden diferir. No es un problema – lo importante es la consistencia interna. Si usas Understat, usa siempre Understat.

Infogol y Football xG ofrecen datos con interfaces más accesibles, pero con menor profundidad. Son útiles para una verificación rápida antes de un partido, no para un análisis profundo. Para quien quiera ir más allá, los datos de Opta están disponibles a través de varias plataformas de pago que ofrecen análisis detallado de cada disparo con coordenadas exactas y contexto de la jugada.

Un apunte práctico: los datos de xG se actualizan después de los partidos, no durante. No existen xG en tiempo real fiables para fundamentar apuestas en directo, aunque algunos servicios ofrecen estimaciones en vivo que son, en el mejor de los casos, aproximaciones.

Limitaciones del Modelo xG en Apuestas

Después de cuatro años usando xG, mi relación con el modelo es la de alguien que confía en su brújula pero sabe que el terreno tiene anomalías que la brújula no detecta.

La primera limitación es que los xG no capturan la calidad individual del ejecutor. Un penalti tiene 0.76 xG sin importar quién lo lanza. Pero la tasa de conversión de penaltis varía enormemente entre jugadores. Algunos delanteros de élite convierten el 90% de sus penaltis; otros no llegan al 65%. Los xG asumen un jugador promedio, y el fútbol no lo tiene.

La segunda es la omisión de factores contextuales. Los xG no saben que un equipo está jugando con diez jugadores desde el minuto 30, que el portero titular está lesionado, que el equipo ya tiene la liga ganada y ha rotado a ocho jugadores. El modelo ve disparos y calcula probabilidades de cada disparo. El contexto que rodea al partido es tu responsabilidad como analista.

La tercera limitación es la latencia. Los xG que consultas hoy reflejan partidos pasados. Los equipos cambian: fichajes, lesiones, cambio de entrenador, cambio táctico. Un equipo que generaba 2.0 xG con un sistema de juego puede generar 1.3 con otro. Si usas medias de temporada sin verificar que las condiciones se mantienen, estás proyectando un pasado que puede no repetirse.

La cuarta, y quizás la más incómoda para los entusiastas de los datos: los operadores también usan xG. No estás compitiendo contra un mercado que ignora esta métrica – estás compitiendo contra un mercado que la incorpora, junto con cien variables más, en modelos propietarios alimentados por equipos de analistas profesionales. La ventaja del apostador individual no está en tener xG – está en interpretarlos mejor en contextos específicos donde la automatización del operador no llega.

Preguntas Frecuentes sobre xG y Apuestas