xG fútbol apuestas: goles esperados aplicados al value real en LaLiga

Por qué el xG vale más que el marcador para decidir una apuesta

El partido que me convirtió al xG fue un Villarreal-Sevilla de hace cinco años, terminado 2-0, con el Sevilla dominando el balón el 62 por ciento del tiempo, generando 18 tiros y acabando con un expected goals cerca de 2,3 frente a los 0,9 del Villarreal. El resultado decía «Villarreal sólido»; los datos decían «Sevilla pagó cara la mala noche del delantero centro». A la jornada siguiente, apostar Over 2.5 al Sevilla era obvio para quien había mirado el xG. Para quien había mirado el marcador, ese mismo Sevilla era un equipo sin ideas.

El xG — expected goals, goles esperados — no predice resultados. Predice la calidad del rendimiento. Es la probabilidad acumulada de que los tiros que un equipo generó terminen en gol, basada en un modelo entrenado con cientos de miles de tiros históricos. Distingue fortuna de mérito, y esa distinción es lo que el apostador que piensa en el largo plazo necesita saber antes que cualquier otra métrica.

Aquí hay una trampa que no se dice casi nunca: la mayoría de las «estadísticas del partido» que aparecen en los portales — posesión, tiros totales, córners — son descriptivas, no predictivas. Te dicen lo que pasó, no lo que suele pasar. El xG sí es predictivo porque pesa cada tiro según su dificultad: un remate a bocajarro cuenta 0,7; una chilena desde la frontal, 0,03. Ocho tiros desde la frontal no son lo mismo que tres tiros en el área pequeña, aunque la pantalla del operador los muestre como «8 tiros vs 3».

Todo lo que viene a continuación presume que sabes lo mínimo y empieza desde la base. Cómo se calcula un xG, qué variante usar, cómo pasar de un número xG a una cuota justa de Over/Under 2.5 o BTTS, dónde falla el modelo, y cómo cruzar tu estimación con la cuota del operador para decidir si hay apuesta. Lo haré con partidos reales de LaLiga 2025/26 para que el concepto no se quede en teoría.

Qué es el xG: definición y cómo se calcula en los modelos profesionales

Imagina que un ingeniero del FC Barcelona observara los últimos 500.000 tiros en ligas profesionales y, para cada uno, anotase todo lo que describe el disparo: desde dónde se tira, con qué parte del cuerpo, si hay defensores entre balón y portería, si viene de un pase filtrado o de un rebote. Con esa base entrena un modelo que, ante un tiro nuevo, devuelve un número entre 0 y 1: la probabilidad de que ese tiro acabe en gol. Eso es exactamente lo que hace un modelo xG profesional.

Variables de un modelo xG

Un modelo xG serio pondera entre 15 y 25 variables por tiro. Las más importantes, en orden de peso, suelen ser: distancia al centro de la portería, ángulo de tiro, parte del cuerpo que remata (pie, cabeza, otra), tipo de jugada (jugada abierta, balón parado directo, centro lateral, contragolpe), número de defensores entre el rematador y la portería, y presencia de portero en posición convencional. Los modelos más avanzados incorporan también velocidad de balón en el último pase, posición del portero tracking en tiempo real, patrón de movimiento del rematador en los últimos tres segundos y calidad del pase previo.

Un remate de cabeza a 12 metros tras un centro lateral, con dos defensores interponiéndose, puede dar un xG de 0,08. El mismo jugador, en el mismo punto, recibiendo un pase al pie con el portero descolocado y sin defensores, salta a un xG de 0,52. El portal que te enseña «remates» sin discriminar no distingue esos dos tiros. El xG, sí.

npxG sin penaltis

El npxG — non-penalty expected goals — es la variante que resta los penaltis de la ecuación. Un penalti tiene xG de 0,76 – 0,79 según el modelo, porque históricamente se convierten entre el 75 y el 79 por ciento de los lanzamientos. Sumar penaltis al xG total distorsiona la lectura de un equipo: dos penaltis en tres jornadas inflan la cifra sin que haya habido una mejora estructural del juego.

Para apuestas, siempre trabajo con npxG cuando miro rendimiento de equipos. El xG total lo reservo para partidos concretos donde un penalti declarado ya en el minuto 10 modifica el resto del partido. Diferenciar estas dos capas evita confusiones que cuestan dinero.

xG acumulado frente a xG por 90

El xG acumulado de toda la temporada te dice cuánto ha valido globalmente un equipo; el xG por 90 minutos normaliza y permite comparar entre equipos con distinto número de partidos jugados — por calendario europeo, copas, aplazamientos. En la práctica, para decidir sobre un partido de hoy me interesa más el xG/90 de las últimas 8 a 10 jornadas que el acumulado de temporada: el acumulado pesa demasiado la forma del equipo en agosto, cuando las plantillas estaban a medio hacer.

Un ejemplo ilustra la diferencia. El Barcelona lidera LaLiga 2025/26 con 76,22 goles esperados en 31 partidos, un xG/90 de 2,46. En las últimas ocho jornadas, sin embargo, ese xG/90 se mueve más cerca de 2,2 por un reparto distinto de minutos y un cambio de perfil en el ataque. Si apuestas sobre la base del acumulado estás pagando la media de un Barcelona que ya no es exactamente el mismo. El xG/90 rodante es, para un apostador, más preciso que el acumulado.

xG en LaLiga 2025/26: quién sobrerrinde y quién infrarrinde

Pregunta rápida: ¿quién es el equipo más peligroso de LaLiga 2025/26 según el xG? La respuesta del aficionado estándar es Barcelona o Real Madrid. La respuesta de los datos es Barcelona, pero con un matiz que cambia cómo apuestas: el Barça no solo es el mejor por xG, sino que está sobrerrindiendo su modelo esperado en 7,8 goles. Eso es mucho. Y, estadísticamente, mucho suele significar regresión.

Los datos en bruto: el FC Barcelona acumula 76,22 goles esperados en 31 partidos (2,46 de xG por 90), y ha terminado la temporada en curso con 84 goles reales, una diferencia positiva de +7,8. En cristiano: los delanteros culés están metiendo los tiros difíciles con una frecuencia por encima de la media histórica. Eso puede deberse a un acierto estructural de los delanteros titulares — Lewandowski, Raphinha, Yamal en ese tramo sobresaliente — o a puro buen momento. Lo que la estadística dice es que ambas explicaciones se suelen ajustar a la media con el tiempo.

En el otro extremo, el Athletic Club marca el récord defensivo de la temporada con solo 33,12 goles esperados en contra en toda LaLiga (1,07 xGA por 90 minutos). Traducido: a un equipo rival contra el Athletic, le cuesta un mundo crear ocasiones de calidad. Ese dato es oro puro para apostar Under 2.5 cuando el Athletic recibe a equipos con xG/90 por debajo de 1,3. La suma de xG + xGA ofensivo y defensivo que produce el modelo Poisson cae claramente por debajo de 2,5 goles esperados totales.

Entre los equipos que sobrerrinden su xG suele haber una combinación de tres elementos: delantero o delanteros en racha, porteros rivales con mala temporada en paradas difíciles, y algo de suerte puntual. La suerte, por definición, no dura. Cuando un equipo lleva 8 – 10 goles por encima de su xG, la jornada siguiente es un candidato natural para que su rival ofrezca valor en Under 2.5 o BTTS No, porque el mercado sigue poniendo precio al rendimiento histórico en lugar del rendimiento esperado.

Los infrarrindientes son los equipos donde busco valor cuando apuesto al ataque. Un conjunto que genera un xG de 1,6 por 90 pero mete solo 1,1 goles/90 está produciendo ocasiones pero no rematando: el portero rival está tapando más de lo normal, los delanteros fallan los tiros claros. Eso no es sostenible. En el corto plazo, sí; en el medio plazo, las ocasiones se traducen en goles. Cuando veo un equipo con ese patrón y su cuota de «marca» en BTTS o su Over 1.5 individual está inflada, hay entrada.

Cuidado con los matices. Un equipo puede sobrerrindir durante muchas jornadas si su delantero es estructuralmente superior a la media — los Mbappés, los Haalands históricos, en menor escala Lewandowski — y el modelo xG genérico no captura su habilidad específica. Los modelos profesionales aplican factor de calidad por jugador; el apostador amateur trabaja sin ese factor, y por eso el promedio rolling de 10 jornadas amortigua las sobrecalificaciones.

Cómo convertir xG en cuota justa para Over/Under 2.5

Llevo más de tres años haciendo esta operación cada fin de semana y la sigo haciendo a mano, con hoja de cálculo, sin automatizaciones. Por qué: porque el paso de pulsar los números en una celda me obliga a revisar lo que estoy metiendo. Las automatizaciones son cómodas hasta que el día que importa te devuelven un xG mal etiquetado y apuestas sin darte cuenta.

El método se apoya en la distribución de Poisson, una herramienta estadística que modela la frecuencia de eventos raros e independientes en un intervalo fijo. En fútbol funciona razonablemente bien: los goles son raros, cada gol es prácticamente independiente del anterior y 90 minutos es un intervalo fijo. Las tres condiciones no se cumplen perfectamente, pero sí lo suficiente para dar estimaciones útiles.

La fórmula que aplico parte de cuatro inputs. El xG/90 del local como atacante (cuánto genera jugando en casa en promedio de las últimas 8 – 10 jornadas). El xGA/90 del visitante como defensor (cuánto concede visitando). El xG/90 del visitante como atacante visitando. El xGA/90 del local como defensor en casa. Con estos cuatro números construyo dos estimaciones del xG esperado para cada bando en ese partido: xG local esperado = media armónica de (xG local en casa) y (xGA visitante fuera); mismo esquema al revés para el visitante.

Ejemplo operativo con cifras redondas. Supongamos un partido donde el local genera 1,8 xG/90 en casa y el visitante concede 1,4 xGA/90 fuera: mi estimación de xG local en ese partido concreto queda en aproximadamente 1,57. Al revés: visitante genera 1,1 fuera, local concede 1,2 en casa, xG visitante estimado 1,15. Total del partido: 2,72 goles esperados.

A partir de ahí, Poisson da la probabilidad de cada resultado exacto: P(0 goles), P(1 gol), P(2 goles), etc., aplicando la fórmula lambda elevado a k, dividido entre factorial de k, multiplicado por e elevado a menos lambda. Sumo P(0)+P(1)+P(2) y obtengo la probabilidad de Under 2.5. Con un lambda total de 2,72, la probabilidad de Under 2.5 sale aproximadamente 49,5 por ciento; la de Over 2.5, 50,5 por ciento.

Ahora el paso crítico: convertir mi probabilidad en cuota justa. Cuota justa = 1 / probabilidad. En este ejemplo, cuota justa Over 2.5 = 1 / 0,505 = 1,98. Si el operador te ofrece Over 2.5 a 2.05, ahí hay valor. Si lo paga a 1.85, no lo hay — estás pagando margen al operador. La diferencia entre 1,98 y 1,85 parece pequeña, pero acumulada a lo largo de 200 apuestas es la diferencia entre perder y ganar dinero a final de temporada.

Un detalle técnico que conviene no olvidar: Poisson independiente sobrestima ligeramente la probabilidad de empates (los goles en fútbol tienen algo de dependencia positiva al segundo, cuando un equipo se abre tras adelantarse). Los modelos profesionales aplican una corrección bivariada — Dixon-Coles es la más conocida — que ajusta las casillas 0-0, 1-1 y 1-0 ligeramente al alza. Para apuestas Over/Under 2.5 el efecto es menor, por debajo del 1 por ciento; para resultado exacto, sí importa. El apostador que trabaja a mano con Poisson simple está un poco mejor informado que el mercado para Over/Under y un poco peor para resultado exacto. Saberlo forma parte del método.

xG y BTTS: probabilidad de que ambos equipos marquen

Si el Over/Under mide cuántos goles totales esperas, el BTTS mide si los dos equipos van a participar en el marcador. Matemáticamente es una pregunta distinta y el cálculo, aunque parecido, tiene una lógica propia que confunde a quien trata ambos mercados como intercambiables.

El truco con BTTS es tratar la probabilidad de que cada equipo marque al menos un gol como un evento independiente, y multiplicarlas. La probabilidad de que el local marque al menos 1 gol se calcula como 1 menos la probabilidad de que marque 0 goles. Con Poisson: P(local marca al menos 1) = 1 − e^(−lambda_local). Lo mismo para el visitante. BTTS Sí = P(local marca) × P(visitante marca).

Siguiendo el ejemplo anterior, con xG estimado local de 1,57 y visitante de 1,15, las probabilidades de marcar al menos un gol son 79,1 por ciento para el local y 68,3 por ciento para el visitante. BTTS Sí = 0,791 × 0,683 = 54,0 por ciento. Cuota justa BTTS Sí = 1 / 0,540 = 1,85. Si el operador ofrece BTTS Sí a 1,95, hay valor de un 5 por ciento.

Donde el BTTS gana al Over/Under en claridad es en partidos asimétricos. Un Athletic Club jugando en casa contra un equipo con xG/90 inferior a 1,0 es el ejemplo de libro. Con un xGA del Athletic de 1,07 por 90 minutos, la mejor defensa de LaLiga 2025/26, el xG del visitante ajustado cae fácilmente a 0,65. Probabilidad de que el visitante marque al menos un gol: 1 − e^(−0,65) ≈ 47,8 por ciento. Con un local que mete bastante (xG 1,4), BTTS Sí = 0,753 × 0,478 = 36 por ciento. Cuota justa BTTS Sí = 2,78. Si el operador lo cotiza a 2,20 — habitual en mercados masivos — el BTTS No a cuota 1,60 – 1,70 ofrece valor claro.

La trampa clásica en BTTS es la «intuición del partido abierto». Ver que los dos equipos tienen buenos delanteros y apostar BTTS Sí sin calcular. El problema: los buenos delanteros suelen enfrentarse a buenas defensas, y la combinación ofensiva-defensiva no es aditiva. Un delantero que promedia 0,6 xG/90 no mantendrá ese ritmo contra una defensa top. La gente apuesta BTTS Sí pensando solo en el ataque, e ignora el xGA del rival. El operador también lo sabe y ajusta el mercado.

Una regla operativa para BTTS: si una de las dos probabilidades individuales de marcar cae por debajo del 55 por ciento, inclínate hacia BTTS No, porque la probabilidad conjunta de que ambos marquen se desploma rápidamente por el efecto multiplicativo. 0,55 × 0,70 = 38,5 por ciento, lo que ya justifica una cuota justa cercana a 2.60 en BTTS Sí y deja el No muy accesible a 1,50 – 1,65.

Dónde falla el xG: partidos con expulsión temprana y contextos tácticos extremos

Voy a contar una apuesta perdida reciente, porque enseña más que diez aciertos. Liga Europa, cuartos, partido con xG combinado de 2,9 en el prepartido, cuota Over 2.5 a 1,95. Entré con confianza. Minuto 11: expulsión del mediocentro local por doble amarilla. A partir de ahí, el partido se convirtió en algo distinto de lo que el modelo había previsto. Terminó 0-0 con un xG real de 0,8 para los dos. El xG acumulado previo al rojo, sin embargo, indicaba un partido abierto. La roja cambió el juego, no el modelo.

El xG es un modelo probabilístico entrenado con partidos «normales» — 11 contra 11, dinámicas tácticas estándar, sin factores externos dominantes. Cuando algo rompe la normalidad, el modelo pierde potencia predictiva. Las tres situaciones donde evito apostar con xG son expulsiones tempranas, finales de eliminatoria y derbis con alta tensión.

Las expulsiones antes del minuto 30 son el caso más claro. Un 11 contra 10 durante 60 minutos es un escenario donde el equipo con ventaja numérica aumenta su xG esperado en un 40 – 50 por ciento respecto a la línea base, y el equipo con inferioridad lo reduce en un 25 – 30. Ningún modelo prepartido captura eso. Cuando hay rojo temprano, la única decisión sensata es cerrar posiciones si tenías apuesta en vivo o no entrar en mercados de goles hasta el descanso.

Las finales de eliminatoria — Copa del Rey, Champions, Europa League — introducen un sesgo cauteloso que el xG promedio no refleja. Los equipos juegan más cerrados, tiran menos, generan menos ocasiones claras. Partidos con xG histórico de 2,8 entre los mismos equipos terminan dando xG real de 1,6 en contexto de final. Es un efecto consistente y conocido en la literatura analítica: la toma de riesgos se reduce cuando el coste del error es máximo.

Los derbis locales añaden otra capa de ruido: alta intensidad, más faltas, menos fluidez, árbitro que aprieta de salida. El xG esperado suele desviarse hacia abajo. Mirar el histórico exclusivamente de derbis entre los dos equipos — últimos 10, no la liga entera — es mucho más informativo que el xG general de temporada.

Maarten Haijer, Secretario General de la European Gaming and Betting Association, explicaba al presentar el informe europeo de 2025 que el mercado del juego en Europa mostró un crecimiento sostenido impulsado por los cambios en las preferencias del consumidor y el avance tecnológico. Esa tecnología incluye precisamente modelos xG cada vez más sofisticados por parte de los operadores. Si tu modelo es un Poisson simple con datos de FBref y el operador trabaja con xG corregido por Dixon-Coles, tracking óptico y ajuste por contexto, tu ventaja es menor de lo que crees. No cero, pero menor. Por eso los partidos anómalos son donde los operadores ya no te pagan ventaja alguna, y es mejor no entrar.

De dónde sacar datos xG fiables en España: Understat, FBref, OddAlerts

¿Cuánto vale un dato xG? Depende del proveedor, y la brecha entre proveedores es más grande de lo que la mayoría cree. He visto el mismo partido con un xG local de 1,9 en un portal y 1,4 en otro. Esa diferencia no es ruido: son dos modelos con variables distintas produciendo estimaciones distintas. Para apostar, lo que importa no es cuál tiene «el xG correcto» — no existe — sino cuál es consistente a lo largo de todos los partidos de la temporada.

Las tres fuentes que uso, en orden de uso real, son Understat, FBref y OddAlerts. Ninguna me paga, ninguna es operador.

Understat es gratuita y cubre LaLiga, Premier, Bundesliga, Serie A, Ligue 1 y Champions League. Su modelo xG es propio, entrenado sobre datos históricos de las cinco grandes ligas, y publica cada partido con xG por jugador, mapa de tiros y timeline. La ventaja: la API es simple, los datos están desde 2014 y el modelo ha sido estable durante años (importante para comparar temporadas). La limitación: no incluye Copa del Rey ni Liga Europa, lo que deja fuera partidos importantes cada pocos meses.

FBref (brazo de Sports Reference en fútbol) agrega datos de Opta, el proveedor comercial más extendido. Su xG es algo más conservador que el de Understat en tiros desde fuera del área y algo más generoso en cabeceados. Cubre más competiciones, incluidas copas, y actualiza las métricas avanzadas (progressive passes, shot-creating actions) que complementan al xG bruto.

OddAlerts es más orientada a apostadores y publica métricas xG por liga, con la ventaja de que cruza el xG directamente con cuotas de mercado. Es útil para validación cruzada: si tu Poisson te da una probabilidad distinta a la del xG model de OddAlerts sobre el mismo partido, revisa tus inputs antes de apostar. Nuestra cifra de referencia de LaLiga 2025/26 — el Athletic Club con 33,12 xGA en toda la temporada, 1,07 por 90 — procede de su base de datos.

El error clásico del apostador que empieza es mezclar fuentes en la misma decisión. Si sacas el xG ofensivo del Barça de Understat y el xGA del visitante de FBref, el resultado del Poisson no tiene sentido estadístico: los dos modelos no son comparables. Elige uno y mantente. Si quieres contrastar, hazlo tras tomar la decisión, no durante.

Modelo Poisson práctico para apostar al fútbol de hoy

Abro la hoja de cálculo un jueves por la noche. Viernes, sábado, domingo: nueve partidos de LaLiga que cubrir. Lo que voy a describir es exactamente la plantilla que uso, sin ornamentos, con las columnas y las fórmulas.

Primera columna: partido. Segunda: fecha. Tercera y cuarta: xG/90 del local en casa, xGA/90 del visitante fuera, ambos tomados de la ventana rodante de las últimas 8 jornadas. Quinta y sexta: lo mismo para el visitante. Séptima columna: xG local esperado en ese partido, calculado como la media armónica de las columnas 3 y 4. Octava: xG visitante esperado, media armónica de 5 y 6. La media armónica se usa porque pondera hacia el valor más bajo, que es lo que queremos: el partido lo «limita» el equipo peor en su fase correspondiente.

En la práctica, si el local genera 1,8 en casa y el visitante concede 1,4 fuera, la media armónica es aproximadamente 1,57. Si usaras media aritmética te daría 1,6, casi igual, pero en cifras extremas la diferencia crece: local 2,5 en casa, visitante concede 0,8 fuera, aritmética 1,65, armónica 1,21. La armónica refleja mejor que un equipo que concede poco resta más de lo que suma un atacante bueno.

Columnas siguientes: probabilidad Poisson de cada combinación 0-0, 1-0, 0-1, 1-1, 2-0, 0-2, 2-1, 1-2, 2-2, 3-0, 0-3 y «otros». Con un lambda local y un lambda visitante, la probabilidad conjunta de un marcador (i, j) es P(i | lambda_local) × P(j | lambda_visitante). Excel lo da con POISSON.DIST.

A partir de la matriz de marcadores exactos construyo lo que me interesa: suma de celdas con total ≤ 2 = probabilidad Under 2.5; resto = Over 2.5. Suma de celdas donde local > visitante = probabilidad 1; donde son iguales = X; donde visitante > local = 2. Suma de celdas donde ambos anotan al menos 1 = BTTS Sí; resto = BTTS No.

Última columna: cuota justa = 1 / probabilidad. Comparo con la cuota del operador. Si la cuota ofertada es mayor que mi cuota justa, hay valor. Si no, no lo hay. Pasa el partido siguiente.

El ritmo real es un partido cada 7 – 10 minutos. Nueve partidos, una hora y pico. Con la hoja montada y los datos actualizados, es un trabajo manual pero rápido. No uso software que automatice esto porque la automatización me quita la oportunidad de ver en pantalla, número a número, si alguna celda me extraña. Las anomalías — un xG de un equipo puntualmente inflado por una jornada con 5-0, un xGA con solo 4 partidos de muestra rodante — son las que me salvan de meter una apuesta mala.

Comparar tu probabilidad xG con la cuota del operador: el paso que valida el análisis

El error más caro del apostador novato no es calcular mal el xG. Es calcularlo bien y olvidarse del paso final: comparar la cuota justa que ha obtenido con la cuota que el operador le está ofreciendo. Sin ese paso, todo lo anterior es un ejercicio de análisis deportivo interesante, pero no una apuesta.

La regla es sencilla en enunciado y exigente en ejecución: apuesta solo cuando la cuota ofertada sea mayor que tu cuota justa en un margen suficiente para absorber tanto el error de tu modelo como la varianza de los resultados. En la práctica, ese margen mínimo debería ser del 3 – 5 por ciento sobre la cuota justa. Menos que eso y la ventaja teórica se come con el ruido del propio modelo.

Ejemplo concreto. Tu Poisson dice que Over 2.5 tiene 55 por ciento de probabilidad. Cuota justa = 1 / 0,55 = 1,82. El operador te ofrece 1,85. Hay valor, pero es un 1,6 por ciento apenas. Esa apuesta se acerca más a aleatoria que a ventajosa. Si el operador te ofrece 2,00, el valor es de 10 por ciento y la apuesta tiene sentido. Si te ofrece 1,75, pagas 3 – 4 por ciento de margen al operador; esa apuesta es directamente perdedora a largo plazo aunque puedas acertar puntualmente.

Un detalle que suele pasarse por alto: tu modelo no es perfecto. El xG que usas viene con error de muestra, el contexto específico del partido no está modelado (clima, importancia), y Poisson asume independencia que no es total. Por eso la disciplina de exigir un edge mínimo del 3 – 5 por ciento funciona como margen de seguridad. Es el mismo principio que el inversor prudente aplica en bolsa: no compras a precio justo, compras por debajo.

La herramienta que articula todo este proceso se llama, en la jerga del apostador, valor esperado o expected value. Cada apuesta debería pasar por el filtro EV antes de registrarse. Calcular bien el xG sin aplicar ese filtro es tener la mejor receta y no tener la cocina.

Preguntas frecuentes sobre xG en apuestas

Tres dudas recurrentes que me llegan por correo cada semana, especialmente de apostadores que están empezando a trabajar con xG en serio. Las respuestas breves y directas, sin rodeos.