1. Was genau ist ein Expected Goal (xG)?
Der Expected Goal, abgekürzt xG, quantifiziert die Wahrscheinlichkeit, dass ein präziser Schuss zu einem Tor führt, auf einer Skala, die streng von 0,00 (keine Chance) bis 1,00 (sicheres Tor) reicht.
Entgegen der landläufigen Meinung misst der xG nicht den Ruf oder das Talent des Schützen, sondern die intrinsische Qualität der Schusssituation in dem Moment, in dem der Ball den Fuß oder Kopf verlässt. Zur Berechnung dieser Wahrscheinlichkeit wird ein logistisches Regressionsmodell oder ein Gradient Boosting-Algorithmus (XGBoost) auf einer historischen Basis von Hunderttausenden von realen Schüssen trainiert.
1. Torentfernung: je näher der Schütze ist, desto exponentieller steigt der xG.
2. Torwinkel: ein exzentrischer Schuss entlang der Seitenlinie hat einen eingeschränkten Winkel (xG < 0.03).
3. Körperteil: ein Schuss mit dem bevorzugten Fuß bietet eine höhere Erfolgsquote als ein Kopfball oder eine Abnahme mit dem schwachen Fuß.
4. Defensiver Druck und Position des Torwarts: Anzahl der Gegenspieler zwischen Ball und Tor.
5. Art der initialen Aktion: Konterangriff in Überzahl, Flanke, direkter Freistoß oder Rückpass (Cut-back).
2. Die Illusion des Endergebnisses: Warum xG unverzichtbar ist
In einem klassischen 90-minütigen Spiel liegt der Tordurchschnitt in den Top-5-Ligen und der Champions League zwischen 2,6 und 2,9 Toren pro Spiel. Bei einer so begrenzten Stichprobe beeinflusst das „Zufallsrauschen“ (ein Pfostentreffer, ein unwillkürlicher Handfehler, eine wundersame Reflexparade) das Endergebnis stark.
Sich ausschließlich auf die Anzeigetafel zu verlassen, führt zum Ergebnis-Bias (outcome bias). Eine Mannschaft, die 2.85 xG gegenüber 0.35 xG aufweist, aber 0:1 verliert, hat eine sehr hochwertige Leistung erbracht, die, unter gleichen Bedingungen 100 Mal wiederholt, mehr als 80 Mal zu einem Sieg führen würde.
3. Die bivariate Poisson-Verteilung im Fußball
Wenn xG die Gefährlichkeit von Aktionen messen kann, wie lässt sich dann das genaue Ergebnis einer Begegnung zwischen zwei Teams mit unterschiedlichen Dynamiken vorhersagen? Hier kommt die Poisson-Verteilung ins Spiel.
In der Wahrscheinlichkeitstheorie modelliert die Poisson-Verteilung die Anzahl der Vorkommen eines seltenen und unabhängigen Ereignisses innerhalb eines bestimmten Zeitintervalls. In ihrer bivariaten Formulierung, angewendet auf den Fußball, berechnet man für jede Mannschaft eine Angriffsrate ($\lambda$) und eine defensive Widerstandsrate ($\mu$):
| Parameter | Beschreibung | Anpassungsfaktoren |
|---|---|---|
| Angriffsstärke (Offensive Power) | Fähigkeit einer Mannschaft, xG im Vergleich zum Ligadurchschnitt zu generieren. | Erzeugte xG zu Hause/auswärts, Anzahl der Torschüsse im Strafraum, Form der Angreifer. |
| Defensive Anfälligkeit (Defensive Rating) | Neigung, klare Chancen und Schüsse mit hohem xG zuzulassen. | xGA (Expected Goals Against), Paraden des Torhüters, Ausfälle von Innenverteidigern. |
| Heimvorteil (Home Advantage) | Historischer Multiplikatorfaktor, der der Heimmannschaft zugestanden wird. | Durchschnittlich etwa +0,25 bis +0,35 erwartete Tore je nach Liga. |
4. Warum werden 10.000 Monte-Carlo-Simulationen durchgeführt?
Obwohl die Poisson-Verteilung eine theoretische Wahrscheinlichkeitsmatrix für jedes Ergebnis liefert (z.B. 12% für 1:0, 10% für 2:1), geht sie davon aus, dass die Ereignisse streng unabhängig sind. Im Fußball ist der Spielverlauf jedoch hochdynamisch:
- Wenn Mannschaft A in der 12. Minute in Führung geht, ist Mannschaft B gezwungen, ihren Block höher zu schieben und so mehr Räume für Konter zu eröffnen.
- Eine frühe Rote Karte verändert die Angriffs- und Verteidigungsraten für die restlichen 70 Minuten radikal.
Die Monte-Carlo-Methode löst diese Herausforderung, indem sie das virtuelle Spiel 10.000 Mal hintereinander in unserer Berechnungsmaschine simuliert. Jede Ziehung injiziert stochastische Varianzvariablen: aktuelle Form, Kartenwahrscheinlichkeiten, angesammelte Müdigkeit in der zweiten Halbzeit.
Anstatt eines vagen „Mannschaft A ist Favorit“, liefert der Algorithmus eine exakte Kartierung:
• Sieg Heimteam: 58.4% (5.840 gewonnene Simulationen)
• Unentschieden: 23.1% (2.310 Simulationen)
• Sieg Auswärtsteam: 18.5% (1.850 Simulationen)
• Modalwert des Ergebnisses (am häufigsten): 2 - 1 (14.2% der Vorkommen)
• Durchschnittlicher prädiktiver xG: 1.92 vs 0.88
5. Wie der Analyst diese Daten mit seiner Sprach-KI nutzt
Die wahre Stärke dieser Technologie liegt in ihrer Interpretation. Auf footb.app bleiben diese 10.000 Monte-Carlo-Iterationen und die Echtzeit-xG-Metriken nicht auf komplexe Grafiken beschränkt: Sie werden sofort als Prompt für Künstliche Intelligenz formuliert.
Indem Sie diesen Prompt in Ihren Sprachassistenten (Gemini Live oder ChatGPT Voice) einfügen, können Sie die KI über das Mikrofon ansprechen: „Das Modell gibt dem Heimverein 58% Gewinnchancen, aber sie liegen zur Halbzeit 0:1 zurück. Welche taktischen Hebel gibt es, um den Trend umzukehren?“ Der Assistent wird Ihnen mit fundierten Argumenten antworten, die auf der mathematischen Realität des Spielfelds basieren.