1. ¿Qué es exactamente un Gol Esperado (xG)?
El Gol Esperado, abreviado como xG, cuantifica la probabilidad de que un tiro específico se convierta en gol, en una escala que varía estrictamente de 0,00 (probabilidad nula) a 1,00 (gol seguro).
Contrariamente a una idea preconcebida, el xG no mide la reputación o el talento del tirador, sino la calidad intrínseca de la situación de tiro en el momento en que el balón abandona el pie o la cabeza. Para calcular esta probabilidad, se entrena un modelo de regresión logística o un algoritmo de Gradient Boosting (XGBoost) sobre una base histórica de cientos de miles de tiros reales.
1. Distancia a la portería: cuanto más cerca esté el tirador, más exponencialmente sube el xG.
2. Ángulo de tiro: un tiro descentrado a lo largo de la línea de banda tiene un ángulo restringido (xG < 0.03).
3. Parte del cuerpo: un tiro con el pie preferente ofrece una tasa de conversión superior a un cabezazo o un remate con el pie menos hábil.
4. Presión defensiva y posición del portero: número de oponentes situados entre el balón y la portería.
5. Tipo de acción inicial: contraataque en superioridad numérica, centro aéreo, tiro libre directo o pase de la muerte (cut-back).
2. La ilusión del marcador final: Por qué el xG es indispensable
En un partido clásico de 90 minutos, el promedio de goles marcados en las 5 grandes ligas y en la Liga de Campeones oscila entre 2,6 y 2,9 goles por partido. Con una muestra tan restringida, el «ruido aleatorio» (el rebote en un poste, una mano involuntaria, una parada milagrosa) pesa mucho en el resultado final.
Mirar únicamente el marcador expone al sesgo de resultado (outcome bias). Un equipo que registra 2.85 xG contra 0.35 xG pero que pierde 0-1 ha producido una actuación de muy alta calidad que, repetida 100 veces en las mismas condiciones, se transformará en victoria más de 80 veces.
3. La Ley de Poisson Bivariada aplicada al fútbol
Si el xG permite medir la peligrosidad de las acciones, ¿cómo predecir el marcador exacto de un enfrentamiento entre dos equipos con dinámicas diferentes? Aquí es donde entra la distribución de Poisson.
En probabilidad, la ley de Poisson modela el número de ocurrencias de un evento raro e independiente en un intervalo de tiempo dado. En su formulación bivariada aplicada al fútbol, se calcula para cada equipo una tasa de ataque ($\lambda$) y una tasa de resistencia defensiva ($\mu$):
| Parámetro | Descripción | Factores de ajuste |
|---|---|---|
| Fuerza de Ataque (Offensive Power) | Capacidad de un equipo para generar xG en comparación con el promedio de la liga. | xG creados en casa/fuera, volumen de tiros en el área, estado de forma de los delanteros. |
| Vulnerabilidad Defensiva (Defensive Rating) | Propensión a conceder ocasiones claras y tiros de alto xG. | xGA (Goles Esperados Concedidos), paradas del portero, ausencias de defensas centrales. |
| Ventaja de Campo (Home Advantage) | Factor multiplicador histórico otorgado al equipo anfitrión. | Aproximadamente +0.25 a +0.35 gol esperado en promedio según las ligas. |
4. ¿Por qué ejecutar 10 000 Simulaciones Monte-Carlo?
Aunque la ley de Poisson proporciona una matriz teórica de probabilidades para cada marcador (ej: 12% para 1-0, 10% para 2-1), asume que los eventos son estrictamente independientes. Sin embargo, en un partido de fútbol, el desarrollo es altamente dinámico:
- Si el equipo A abre el marcador en el minuto 12, el equipo B se ve obligado a adelantar su bloque, concediendo así más espacios para el contraataque.
- Una tarjeta roja temprana modifica radicalmente las tasas de ataque y defensa para los 70 minutos restantes.
El método de Monte-Carlo resuelve este desafío simulando el partido virtual 10 000 veces consecutivas en nuestro motor de cálculo. Cada ejecución inyecta variables de varianza estocástica: estado de forma actual, probabilidades de tarjeta, fatiga acumulada en la segunda mitad.
En lugar de un vago «el equipo A es favorito», el algoritmo ofrece una cartografía exacta:
• Victoria Local: 58.4% (5 840 simulaciones ganadas)
• Empate: 23.1% (2 310 simulaciones)
• Victoria Visitante: 18.5% (1 850 simulaciones)
• Marcador modal (el más recurrente): 2 - 1 (14.2% de las ocurrencias)
• xG predictivo promedio: 1.92 vs 0.88
5. Cómo el analista explota estos datos con su IA vocal
El verdadero poder de esta tecnología reside en su interpretación. En footb.app, estas 10 000 iteraciones Monte-Carlo y las métricas de xG en tiempo real no se limitan a gráficos complejos: se redactan instantáneamente como Prompt de Inteligencia Artificial.
Al pegar este prompt en su asistente vocal (Gemini Live o ChatGPT Voice), puede interpelar a la IA por micrófono: «El modelo otorga un 58% de posibilidades al club local, pero van perdiendo 0-1 al descanso. ¿Cuáles son las palancas tácticas para revertir la tendencia?». El asistente le responderá con argumentos sólidos, basados en la realidad matemática del campo.