2026-03-10
Os Gols Esperados (xG) tornaram-se uma ferramenta indispensável na análise do futebol moderno, oferecendo uma medida quantificável da qualidade do chute. No entanto, nem todos os modelos xG são criados iguais, e sua precisão pode variar significativamente com base nos pontos de dados que incorporam e nos algoritmos que empregam. À medida que avançamos na temporada 2025-2026, uma análise mais aprofundada dessas nuances revela insights fascinantes sobre o desempenho da equipe e o brilho individual.
Considere a disparidade frequentemente observada entre o xG cumulativo de uma equipe e seu número real de gols. Embora exista uma correlação geral, os valores atípicos são comuns. Veja, por exemplo, o Manchester City. No início de março de 2026, seus vários modelos xG frequentemente os colocam em torno de 58-60 gols esperados, mas seu número real de gols disparou para 68. Essa superação de 8-10 gols não é simplesmente sorte; aponta para uma capacidade consistente de converter chances a uma taxa mais alta do que a média de chutes. Jogadores como Erling Haaland, com sua habilidade estranha de encontrar a rede de ângulos aparentemente improváveis, claramente contribuem para isso.
A precisão de um modelo xG depende da profundidade e amplitude de seus parâmetros de entrada. Modelos básicos podem considerar apenas a localização do chute e a parte do corpo. Versões mais sofisticadas, no entanto, incorporam uma riqueza de dados adicionais: o tipo de assistência (passe em profundidade, cruzamento, recuo), o número de defensores entre o chutador e o gol, o posicionamento do goleiro e até mesmo o estado do jogo (por exemplo, placar, tempo restante). Essas camadas adicionais de contexto podem refinar significativamente a probabilidade atribuída a cada chute. Para mais informações, veja nossa cobertura sobre Robert Lewandowski: O Predador Supremo do PSG na Área.
Por exemplo, um chute de Bukayo Saka, do Arsenal, da entrada da área, com dois defensores se aproximando e o goleiro bem posicionado, naturalmente teria um xG menor do que um chute idêntico onde Saka tem tempo e espaço. Um modelo xG sólido deve refletir essa diferença. Alguns modelos até tentam levar em conta a capacidade de finalização específica do jogador, embora isso muitas vezes confunda a linha entre o xG puro (qualidade do chute) e a previsão de gols. Embora intrigante, a incorporação de dados específicos do jogador pode tornar os modelos menos universalmente aplicáveis para comparar a qualidade do chute entre diferentes jogadores ou equipes.
A beleza do xG reside em sua capacidade de destacar desempenhos acima e abaixo do esperado. O Napoli, por exemplo, gerou consistentemente altos números de xG ao longo da temporada, muitas vezes classificando-se entre os três primeiros na Serie A em gols esperados criados. No entanto, seu número real de gols às vezes fica atrás, indicando uma potencial ineficiência na conversão ou talvez uma sequência de finalizações infelizes. Victor Osimhen, apesar de sua prolificidade, teve períodos nesta temporada em que seu xG superou seus gols reais, sugerindo que ele estava chegando a excelentes posições, mas talvez nem sempre aplicando o toque final pelo qual é conhecido. Para mais informações, veja nossa cobertura sobre Arsenal vs Liverpool: Batalha Tática no Emirates Stadium.
Por outro lado, o Brighton & Hove Albion, apesar de muitas vezes ter um xG cumulativo menor do que alguns de seus rivais de meio de tabela, encontrou maneiras de obter resultados. Sua solidez defensiva e capacidade de capitalizar em menos chances de maior qualidade os fizeram superar seu xG defensivamente também, sofrendo menos gols do que o esperado. Isso destaca como o xG não é o único árbitro do sucesso, mas sim uma peça crítica do quebra-cabeça analítico. Ajuda-nos a entender como as equipes estão se saindo, não apenas qual é o placar final.
O futuro dos modelos xG provavelmente envolverá uma granularidade ainda maior. Já estamos vendo o surgimento de 'xG Chain' e 'xG Buildup', que tentam atribuir crédito a todos os jogadores envolvidos em uma posse de bola que leva a um chute, não apenas ao chutador e ao assistente. Além disso, os avanços nos dados de rastreamento podem permitir que os modelos levem em conta o movimento dos jogadores sem a bola de forma mais eficaz, prevendo a probabilidade de um chute mesmo antes que ele ocorra, com base na forma defensiva e nas corridas de ataque.
Em última análise, o xG continua sendo uma medida probabilística, não uma previsão definitiva. Oferece uma lente poderosa através da qual analisar o jogo, revelando tendências subjacentes e fornecendo uma avaliação mais objetiva do desempenho. Compreender as diferenças entre os modelos e os fatores que contribuem para sua precisão nos permite apreciar a verdadeira profundidade da análise do futebol e como ela continua a moldar nossa compreensão do belo jogo em 2026.