1. Cosa sono esattamente gli Expected Goals (xG)?
L'Expected Goal, abbreviato in xG, quantifica la probabilità che un tiro preciso si trasformi in gol, su una scala che varia strettamente da 0,00 (chance nulla) a 1,00 (gol certo).
Contrariamente a un'idea diffusa, l'xG non misura la reputazione o il talento del tiratore, ma la qualità intrinseca della situazione di tiro nel momento in cui il pallone lascia il piede o la testa. Per calcolare questa probabilità, un modello di regressione logistica o un algoritmo di Gradient Boosting (XGBoost) viene addestrato su una base storica di centinaia di migliaia di tiri reali.
1. Distanza dalla linea di porta: più il tiratore è vicino, più l'xG aumenta esponenzialmente.
2. Angolo di tiro: un tiro decentrato lungo la linea laterale ha un angolo ristretto (xG < 0.03).
3. Parte del corpo: un tiro di piede forte offre un tasso di conversione superiore a un colpo di testa o a una conclusione di piede debole.
4. Pressione difensiva e posizione del portiere: numero di avversari situati tra il pallone e la porta.
5. Tipo di azione iniziale: contropiede in superiorità numerica, cross aereo, calcio di punizione diretto o passaggio all'indietro (cut-back).
2. L'illusione del punteggio finale: Perché l'xG è indispensabile
In una partita classica di 90 minuti, la media dei gol segnati nei 5 maggiori campionati e in Champions League oscilla tra 2,6 e 2,9 gol a partita. Con un campione così ristretto, il «rumore casuale» (il rimbalzo su un palo, un errore involontario, una parata miracolosa) pesa notevolmente sull'esito finale.
Guardare unicamente il tabellino espone al bias di risultato (outcome bias). Una squadra che registra 2.85 xG contro 0.35 xG ma viene sconfitta per 0-1 ha prodotto una performance di altissima qualità che, ripetuta 100 volte nelle stesse condizioni, si trasformerà in vittoria più di 80 volte.
3. La Legge di Poisson Bivariata applicata al calcio
Se l'xG permette di misurare la pericolosità delle azioni, come prevedere il punteggio esatto di uno scontro tra due squadre con dinamiche diverse? È qui che interviene la distribuzione di Poisson.
In probabilità, la legge di Poisson modella il numero di occorrenze di un evento raro e indipendente in un dato intervallo di tempo. Nella sua formulazione bivariata applicata al calcio, si calcola per ogni formazione un tasso di attacco ($\lambda$) e un tasso di resistenza difensiva ($\mu$):
| Parametro | Descrizione | Fattori di aggiustamento |
|---|---|---|
| Forza d'Attacco (Offensive Power) | Capacità di una squadra di generare xG rispetto alla media del campionato. | xG creati in casa/trasferta, volume di tiri in area, forma degli attaccanti. |
| Vulnerabilità Difensiva (Defensive Rating) | Propensione a concedere occasioni chiare e tiri ad alto xG. | xGA (Expected Goals Against), parate del portiere, assenze di difensori centrali. |
| Vantaggio del Campo (Home Advantage) | Fattore moltiplicatore storico accordato alla squadra ospitante. | Circa +0.25 a +0.35 gol attesi in media a seconda dei campionati. |
4. Perché eseguire 10.000 Simulazioni Monte-Carlo?
Sebbene la legge di Poisson fornisca una matrice teorica di probabilità per ogni punteggio (es: 12% per 1-0, 10% per 2-1), essa presuppone che gli eventi siano strettamente indipendenti. Tuttavia, in una partita di calcio, lo svolgimento è altamente dinamico:
- Se la squadra A apre le marcature al 12° minuto, la squadra B è costretta a spingere in avanti il suo blocco, concedendo così più spazi in contropiede.
- Un cartellino rosso precoce modifica radicalmente i tassi di attacco e difesa per i restanti 70 minuti.
Il metodo di Monte-Carlo risolve questa sfida simulando la partita virtuale 10.000 volte consecutive nel nostro motore di calcolo. Ogni estrazione introduce variabili di varianza stocastica: stato di forma del momento, probabilità di cartellini, fatica accumulata nel secondo tempo.
Anziché un vago «la squadra A è favorita», l'algoritmo fornisce una mappatura esatta:
• Vittoria Casa: 58.4% (5.840 simulazioni vinte)
• Pareggio: 23.1% (2.310 simulazioni)
• Vittoria Trasferta: 18.5% (1.850 simulazioni)
• Punteggio modale (il più ricorrente): 2 - 1 (14.2% delle occorrenze)
• xG predittivo medio: 1.92 vs 0.88
5. Come l'analista sfrutta questi dati con la sua IA vocale
La vera potenza di questa tecnologia risiede nella sua interpretazione. Su footb.app, queste 10.000 iterazioni Monte-Carlo e le metriche di xG in tempo reale non rimangono confinate a grafici complessi: vengono istantaneamente redatte sotto forma di Prompt di Intelligenza Artificiale.
Incollando questo prompt nel tuo assistente vocale (Gemini Live o ChatGPT Voice), puoi interpellare l'IA al microfono: «Il modello assegna il 58% di possibilità al club di casa, ma sono sotto 0-1 all'intervallo. Quali sono le leve tattiche per invertire la tendenza?». L'assistente ti risponderà con argomenti solidi, basati sulla realtà matematica del campo.