1. O que é exatamente um Expected Goal (xG)?
O Expected Goal, abreviado para xG, quantifica a probabilidade de um remate específico se transformar em golo, numa escala que varia estritamente de 0,00 (chance nula) a 1,00 (golo certo).
Ao contrário de uma ideia comum, o xG não mede a reputação ou o talento do rematador, mas sim a qualidade intrínseca da situação de remate no momento em que a bola sai do pé ou da cabeça. Para calcular esta probabilidade, um modelo de regressão logística ou um algoritmo de Gradient Boosting (XGBoost) é treinado numa base histórica de centenas de milhares de remates reais.
1. Distância em relação à linha de baliza: quanto mais perto o rematador estiver, mais o xG sobe exponencialmente.
2. Ângulo de abertura da baliza: um remate descentrado ao longo da linha lateral tem um ângulo restrito (xG < 0.03).
3. Parte do corpo: um remate com o pé preferencial oferece uma taxa de conversão superior a uma cabeçada ou um remate com o pé mais fraco.
4. Pressão defensiva e posição do guarda-redes: número de adversários situados entre a bola e a baliza.
5. Tipo de ação inicial: contra-ataque em superioridade numérica, cruzamento aéreo, livre direto ou passe para trás (cut-back).
2. A ilusão do resultado final: Por que o xG é indispensável
Num jogo clássico de 90 minutos, a média de golos marcados nas 5 grandes ligas e na Liga dos Campeões oscila entre 2,6 e 2,9 golos por jogo. Com uma amostra tão restrita, o «ruído aleatório» (o ressalto num poste, um erro involuntário, uma defesa reflexa milagrosa) pesa fortemente no resultado final.
Olhar apenas para o marcador expõe ao viés de resultado (outcome bias). Uma equipa que exibe 2.85 xG contra 0.35 xG mas que é derrotada por 0-1 produziu um desempenho de altíssima qualidade que, repetido 100 vezes nas mesmas condições, resultará em vitória mais de 80 vezes.
3. A Lei de Poisson Bivariada aplicada ao futebol
Se o xG permite medir o perigo das ações, como prever o resultado exato de um confronto entre duas equipas com dinâmicas diferentes? É aqui que entra a distribuição de Poisson.
Em probabilidades, a lei de Poisson modela o número de ocorrências de um evento raro e independente durante um determinado intervalo de tempo. Na sua formulação bivariada aplicada ao futebol, calcula-se para cada formação uma taxa de ataque ($\lambda$) e uma taxa de resistência defensiva ($\mu$):
| Parâmetro | Descrição | Fatores de ajuste |
|---|---|---|
| Força de Ataque (Offensive Power) | Capacidade de uma equipa gerar xG em comparação com a média do campeonato. | xG criados em casa/fora, volume de remates na área, forma dos atacantes. |
| Vulnerabilidade Defensiva (Defensive Rating) | Propensão a conceder oportunidades claras e remates com alto xG. | xGA (Expected Goals Against), defesas do guarda-redes, ausências de defesas centrais. |
| Vantagem do Terreno (Home Advantage) | Fator multiplicador histórico concedido à equipa anfitriã. | Aproximadamente +0.25 a +0.35 golo esperado em média, dependendo das ligas. |
4. Porquê executar 10 000 Simulações Monte-Carlo?
Embora a lei de Poisson forneça uma matriz teórica de probabilidades para cada resultado (ex: 12% para 1-0, 10% para 2-1), ela assume que os eventos são estritamente independentes. No entanto, num jogo de futebol, o desenrolar é altamente dinâmico:
- Se a equipa A abre o marcador aos 12 minutos, a equipa B é forçada a subir o seu bloco, concedendo assim mais espaços em contra-ataque.
- Um cartão vermelho precoce modifica radicalmente as taxas de ataque e defesa para os 70 minutos restantes.
O método de Monte-Carlo resolve este desafio simulando o jogo virtual 10 000 vezes consecutivas no nosso motor de cálculo. Cada simulação injeta variáveis de variância estocástica: forma do momento, probabilidades de cartão, fadiga acumulada no segundo tempo.
Em vez de um vago «a equipa A é favorita», o algoritmo entrega uma cartografia exata:
• Vitória da Casa: 58.4% (5 840 simulações ganhas)
• Empate: 23.1% (2 310 simulações)
• Vitória Fora: 18.5% (1 850 simulações)
• Resultado mais frequente (modal): 2 - 1 (14.2% das ocorrências)
• xG preditivo médio: 1.92 vs 0.88
5. Como o analista explora estes dados com a sua IA de voz
A verdadeira força desta tecnologia reside na sua interpretação. Em footb.app, estas 10 000 iterações Monte-Carlo e as métricas de xG em tempo real não ficam restritas a gráficos complexos: são instantaneamente redigidas sob a forma de Prompt de Inteligência Artificial.
Ao colar este prompt no seu assistente de voz (Gemini Live ou ChatGPT Voice), pode questionar a IA ao microfone: «O modelo dá 58% de chances ao clube local, mas eles estão a perder por 0-1 ao intervalo. Quais são as alavancas táticas para inverter a tendência?». O assistente responderá com argumentos sólidos, baseados na realidade matemática do campo.