2026-03-10
Los Goles Esperados (xG) se han convertido en una herramienta indispensable en el análisis del fútbol moderno, ofreciendo una medida cuantificable de la calidad del disparo. Sin embargo, no todos los modelos xG son iguales, y su precisión puede variar significativamente según los puntos de datos que incorporen y los algoritmos que empleen. A medida que nos adentramos en la temporada 2025-2026, una mirada más cercana a estos matices revela ideas fascinantes sobre el rendimiento del equipo y la brillantez individual.
Considere la disparidad que a menudo se observa entre el xG acumulado de un equipo y su recuento real de goles. Si bien existe una correlación general, los valores atípicos son comunes. Tomemos, por ejemplo, al Manchester City. A principios de marzo de 2026, sus diversos modelos xG a menudo los sitúan en torno a los 58-60 goles esperados, sin embargo, su recuento real de goles se ha disparado a 68. Este rendimiento superior de 8-10 goles no es simplemente suerte; apunta a una capacidad constante para convertir oportunidades a una tasa más alta que el disparo promedio. Jugadores como Erling Haaland, con su asombrosa habilidad para encontrar la red desde ángulos aparentemente improbables, claramente contribuyen a esto.
La precisión de un modelo xG depende de la profundidad y amplitud de sus parámetros de entrada. Los modelos básicos solo pueden considerar la ubicación del disparo y la parte del cuerpo. Sin embargo, las versiones más sofisticadas incorporan una gran cantidad de datos adicionales: el tipo de asistencia (pase al hueco, centro, pase atrás), el número de defensores entre el tirador y la portería, la posición del portero e incluso el estado del partido (por ejemplo, marcador, tiempo restante). Estas capas adicionales de contexto pueden refinar significativamente la probabilidad asignada a cada disparo. Para obtener más información, consulte nuestra cobertura sobre Robert Lewandowski: El depredador supremo del PSG en el área.
Por ejemplo, un disparo realizado por Bukayo Saka del Arsenal desde el borde del área, con dos defensores cerrándole el paso y el portero bien posicionado, naturalmente tendría un xG más bajo que un disparo idéntico donde Saka tiene tiempo y espacio. Un modelo xG sólido debería reflejar esta diferencia. Algunos modelos incluso intentan tener en cuenta la capacidad de finalización específica del jugador, aunque esto a menudo difumina la línea entre el xG puro (calidad del disparo) y la predicción de goles. Si bien es intrigante, la incorporación de datos específicos del jugador puede hacer que los modelos sean menos universalmente aplicables para comparar la calidad del disparo entre diferentes jugadores o equipos.
La belleza del xG reside en su capacidad para destacar a los que rinden por encima y por debajo de lo esperado. El Napoli, por ejemplo, ha generado consistentemente altas cifras de xG a lo largo de la temporada, a menudo clasificándose entre los tres primeros de la Serie A en goles esperados creados. Sin embargo, su recuento real de goles a veces se queda atrás, lo que indica una posible ineficiencia en la conversión o quizás una racha de mala suerte en la finalización. Victor Osimhen, a pesar de su prolificidad, ha tenido períodos esta temporada en los que su xG superó sus goles reales, lo que sugiere que se estaba metiendo en excelentes posiciones pero quizás no siempre aplicando el toque final por el que es conocido. Para obtener más información, consulte nuestra cobertura sobre Arsenal vs Liverpool: Batalla táctica en el Emirates Stadium.
Por el contrario, el Brighton & Hove Albion, a pesar de tener a menudo un xG acumulado más bajo que algunos de sus rivales de mitad de tabla, ha encontrado formas de obtener resultados. Su solidez defensiva y su capacidad para capitalizar menos oportunidades de mayor calidad les han permitido superar su xG también defensivamente, concediendo menos goles de lo esperado. Esto destaca cómo el xG no es el único árbitro del éxito, sino más bien una pieza crítica del rompecabezas analítico. Nos ayuda a comprender cómo se están desempeñando los equipos, no solo cuál es el resultado final.
El futuro de los modelos xG probablemente implicará una granularidad aún mayor. Ya estamos viendo la aparición de 'xG Chain' y 'xG Buildup', que intentan asignar crédito a todos los jugadores involucrados en una posesión que conduce a un disparo, no solo al tirador y al asistente. Además, los avances en los datos de seguimiento podrían permitir que los modelos tengan en cuenta el movimiento de los jugadores sin balón de manera más efectiva, prediciendo la probabilidad de un disparo incluso antes de que ocurra, basándose en la forma defensiva y las carreras de ataque.
En última instancia, el xG sigue siendo una medida probabilística, no una predicción definitiva. Ofrece una lente poderosa a través de la cual analizar el juego, revelando tendencias subyacentes y proporcionando una evaluación más objetiva del rendimiento. Comprender las diferencias entre los modelos y los factores que contribuyen a su precisión nos permite apreciar la verdadera profundidad del análisis futbolístico y cómo continúa dando forma a nuestra comprensión del deporte rey en 2026.