Estadísticas xG para Apuestas de la Bundesliga
Available in US
Hace seis años, el primer dato xG que metí en una hoja de cálculo me hizo perder dinero durante tres meses seguidos. No porque el modelo estuviera mal, sino porque yo lo estaba usando como si fuera una bola de cristal. Tardé en aprender que el xG no te dice lo que va a pasar: te dice lo que debería haber pasado dado un volumen suficiente de muestras. La diferencia entre ambas cosas es de unos cuantos miles de euros.
La Bundesliga es probablemente la mejor liga de Europa para meterse con xG, porque promedia 3.20 goles por partido y eso da muestras grandes y rápidas. Aquí te cuento cómo lo uso yo, dónde lo encuentro y, sobre todo, dónde no funciona.
Cruzar los datos de goles esperados con el mercado de Más/Menos 2,5 goles te dará una ventaja matemática sobre los operadores.
Cálculo y Aplicación Comercial de los Goles Esperados
«Expected goals» o goles esperados (xG) es un número entre 0 y 1 que un modelo asigna a cada disparo según la probabilidad de que termine en gol. Un disparo desde el punto de penalti tiene xG de 0.78 (porque históricamente se anota el 78 por ciento). Un disparo desde el centro del campo tiene xG de 0.01. La suma de los xG de todos los disparos de un equipo en un partido te da su xG total: si suma 1.8, ese equipo «merecía» anotar 1.8 goles.
Los modelos serios calculan xG combinando seis o siete variables: distancia al portero, ángulo, parte del cuerpo (cabeza, pie bueno, pie malo), tipo de pase previo (centro, pase al espacio, jugada elaborada), presencia de defensores entre disparador y portería, y a veces velocidad de la jugada. Cada proveedor entrena su modelo con cientos de miles de disparos históricos y le da un peso a cada variable.
El truco que tardé en pillar es que el xG no incluye el factor «quién dispara». Un disparo de Kane desde el borde del área tiene el mismo xG asignado que el mismo disparo de un central que sube a córner. Si Kane convierte mucho más que la media histórica de ese tipo de disparo, su xG va a estar permanentemente por debajo de sus goles reales y el modelo lo va a pintar como «afortunado». No lo es: es mejor que la media. Eso obliga a leer el xG con criterio futbolístico y no como verdad revelada.
Otra confusión común: xG no es lo mismo que xGA (asistencias esperadas) ni que xGOT (gol esperado on target, calculado solo sobre disparos a puerta). Cada uno mide algo distinto. xGOT, por ejemplo, suele ser un mejor predictor de la próxima media docena de partidos que xG bruto, porque filtra los disparos que ni siquiera llegaron entre los tres palos.
xG vs goles reales en la Bundesliga 2025/26
Lo bonito de la Bundesliga es que la diferencia entre xG y goles reales se cierra rápido. Con un promedio de 3.20 goles por partido y 34 jornadas, llegas a noviembre con 80 partidos jugados y suficiente muestra para que la varianza ya no esconda nada.
El patrón típico que registro temporada tras temporada es este: en jornada 5, los equipos que más se desvían de su xG son los que más volatilidad muestran después. Un equipo que en jornada 5 lleva 14 goles a favor con 8.5 xG es candidato a regresión negativa: va a marcar menos en las próximas jornadas. Un equipo que lleva 4 goles con 8 xG va a marcar más. Esa regresión no es una predicción cualitativa, es estadística básica.
Lo aplico así en mercados de goles. Si veo un equipo que está sobrerrindiendo en xG durante seis jornadas seguidas, y la cuota Más de 2.5 en su próximo partido está en el rango habitual, dudo del Más. Si el equipo está infrarrindiendo y tiene un partido en casa contra una defensa permeable, el Más de 2.5 me parece atractivo aunque la cuota haya bajado.
Hay un caso límite que merece la pena entender: el Bayern. El Bayern de 2025/26 batió el récord de 105 goles, superando los 101 de la 1971/72. Su xG real estaba en torno a los 92-95, lo que significa que estaba «sobrerrindiendo» en 10-13 goles. ¿Es regresión a la baja? No necesariamente. Puede ser que la calidad individual del finalizador (Kane) esté metida en cada disparo y el modelo no la capture. Por eso las apuestas a goleadores del Bayern siguen pagando bien aunque el xG susurre cautela.
Cómo traducir xG a cuota implícita
Esta es la parte que más reticencia genera y la que más valor da cuando se hace bien. Lo expongo paso a paso porque sin ella, el xG es solo un número curioso.
Paso uno: calculas el xG esperado de cada equipo para el próximo partido. La forma más simple es promediar el xG generado por el local en sus últimos 10 partidos en casa con el xG concedido por el visitante en sus últimos 10 fuera. Y al revés para el otro equipo. Te queda algo como: «Bayern 2.4 xG esperado, Stuttgart 0.9 xG esperado».
Paso dos: alimentas estos xG en una distribución de Poisson para calcular la probabilidad de cada resultado. Bayern 2-0, Bayern 3-1, empate 1-1, etc. La distribución de Poisson, con todas sus limitaciones (asume independencia entre los goles que no siempre se cumple), es el caballo de batalla del análisis de fútbol porque captura razonablemente bien la frecuencia de cada resultado dado un xG esperado.
Paso tres: sumas las probabilidades de los resultados que ganan tu apuesta. Si vas al Más de 2.5 goles, sumas todas las combinaciones que dan 3 o más goles. Si te sale, por ejemplo, 65 por ciento, tu cuota implícita es 1/0.65 = 1.54. Si el operador la ofrece a 1.70, tienes valor. Si la ofrece a 1.45, no.
Sobre cómo identificar valor de forma sistemática y comparar tus probabilidades calculadas contra las del mercado, lo desarrollo más a fondo en mi guía de value betting en la Bundesliga. El xG es una herramienta dentro de ese marco, no la respuesta entera.
Encuentra estadísticas avanzadas de todos los equipos en el portal líder en cuotas de la Bundesliga para afinar tus predicciones.
Dónde encontrar xG fiable y gratuito
Para empezar sin gastar dinero, hay tres fuentes que uso regularmente. Understat publica xG por partido y por jugador para Bundesliga desde la temporada 2014/15. FBref recoge xG de StatsBomb y los presenta agregados por equipo, jugador y temporada. Y la propia Bundesliga.com, en su sección de estadísticas avanzadas, ofrece datos oficiales con un proveedor profesional detrás (suele ser Sportec Solutions).
El detalle a tener en cuenta: cada proveedor calcula xG de forma ligeramente distinta. Un mismo partido puede aparecer con 2.1 xG en Understat y 1.8 en otro sitio, porque los modelos pesan las variables de forma diferente. No te obsesiones con el número absoluto: usa el mismo proveedor durante toda la temporada para que las comparaciones sean coherentes.
Mi recomendación operativa: elige una fuente y úsala como referencia única. Yo trabajo con Understat para análisis rápido y con FBref cuando necesito desglose por jugador. Cambiar de fuente a mitad de temporada es como cambiar de báscula a mitad de dieta: los números dejan de ser comparables y te quedas sin saber si has progresado.
¿Por qué el xG difiere entre proveedores?
Porque cada proveedor entrena su modelo con un dataset distinto y pondera las variables de forma propia. Understat, StatsBomb, Opta y Sportec usan modelos parecidos en estructura pero distintos en pesos. Una diferencia de 0.2-0.3 xG por partido entre dos proveedores serios es habitual y no implica que uno esté mal.
¿Cuántos partidos hacen falta para que el xG estabilice una predicción?
Para xG ofensivo de equipo, el umbral razonable está en 8-10 partidos. Para xG concedido (defensivo), un poco menos: 6-8 suelen bastar. Para jugadores, hace falta más muestra, entre 15 y 20 partidos jugando minutos completos. Por debajo de esos umbrales, la varianza distorsiona el dato.
Preparado por la redacción de «Apostar Online Bundesliga».
