xG en la Bundesliga: goles esperados aplicados a las apuestas

xG en la Bundesliga: goles esperados aplicados a las apuestas

La primera vez que vi un dato de xG fue en 2018, y lo ignoré por completo. Me parecía una métrica más, una de esas modas analíticas que prometen revolucionar el fútbol y luego se diluyen. Estaba equivocado. Dos temporadas después, el xG se había convertido en la columna vertebral de mi sistema de apuestas en la Bundesliga, y hoy no abro un mercado de goles sin consultarlo primero.

El xG — expected goals o goles esperados — mide la probabilidad de que un disparo termine en gol basándose en la posición, el ángulo, el tipo de asistencia y otros factores. La Bundesliga, con un promedio superior a 3 goles por partido durante siete temporadas consecutivas, es el laboratorio perfecto para aplicar esta métrica: hay suficiente volumen de goles para que los modelos de xG sean estadísticamente robustos y suficiente variabilidad entre equipos para encontrar ineficiencias en las cuotas.

Qué es el xG y cómo se calcula

Voy a explicar el xG de la forma que me habría gustado que alguien me lo explicara cuando empecé: con un ejemplo concreto, sin fórmulas innecesarias.

Imagina un penalti. Históricamente, un penalti en la Bundesliga se convierte en gol aproximadamente el 76% de las veces. Eso significa que un penalti tiene un xG de 0.76. Ahora imagina un remate de cabeza desde fuera del área tras un córner largo — la probabilidad de gol es cercana al 3%, así que su xG es 0.03. Si un equipo acumula en un partido un penalti, cuatro remates desde dentro del área con xG de 0.15 cada uno, y dos cabezazos lejanos con 0.03 cada uno, su xG total del partido es 0.76 + 0.60 + 0.06 = 1.42. Eso significa que, estadísticamente, ese equipo «debería» haber marcado entre uno y dos goles.

La magia del xG para el apostador no está en predecir un partido individual — un equipo con 3.0 de xG puede perder 0-1, y otro con 0.5 puede ganar 2-0. La magia está en la tendencia a medio plazo. Un equipo que genera consistentemente un xG alto pero marca menos goles de los esperados está «rindiendo por debajo de su nivel real». Tarde o temprano, la conversión se ajusta a la media — y cuando eso ocurre, sus cuotas todavía reflejan su rendimiento goleador real, no su potencial. Ahí está la ventaja.

El cálculo detallado del xG varía según el proveedor de datos — algunos incluyen variables como la presión defensiva, la velocidad del balón o la posición del portero –, pero el principio es siempre el mismo: cada disparo tiene una probabilidad asociada, y la suma de esas probabilidades da el rendimiento esperado del equipo. Lo que importa al apostador no es el modelo exacto sino la diferencia entre xG y goles reales.

Aplicar el xG a mercados over/under y BTTS

Aquí es donde el xG deja de ser teoría y se convierte en dinero. O al menos, en una ventaja medible sobre el apostador que solo mira la tabla de goles reales.

El Bayern Múnich promedia 4,52 goles totales por partido en 2025/26 — una cifra que ya sugiere que el Over 2.5 es casi automático. Pero el xG añade una capa de profundidad: si el xG combinado de un partido Bayern vs. equipo medio es de 3.8, pero la cuota de Over 2.5 está en 1.50, el valor real depende de con qué frecuencia un xG de 3.8 se traduce en tres o más goles reales. En mi base de datos, la respuesta es aproximadamente el 78% de las veces — lo que haría rentable la apuesta a cualquier cuota por encima de 1.28. Una cuota de 1.50 es valor claro.

Donde el xG brilla especialmente es en detectar equipos «infravalorados» por el mercado. Si un equipo lleva cuatro partidos marcando solo un gol pero su xG promedio por partido es de 2.1, las cuotas de Over 2.5 en su siguiente partido estarán infladas — el mercado reacciona a los goles reales, no al xG. Esa es exactamente la ineficiencia que buscamos.

Para el BTTS, utilizo una variante del xG: el xG por equipo en lugar del combinado. Si el equipo local genera un xG de 1.8 y el visitante un xG de 1.2, ambos tienen una probabilidad significativa de marcar, y el BTTS «sí» a cuotas de 1.65-1.75 suele ser rentable. Si uno de los dos tiene un xG inferior a 0.7, el BTTS «no» gana atractivo.

Un truco que he refinado con los años: no miro solo el xG total sino el número de disparos con xG superior a 0.10. Un equipo puede tener un xG acumulado de 2.0 pero haberlo generado con 20 disparos de bajo xG — es decir, remates lejanos y poco peligrosos. Otro equipo puede tener el mismo xG total con solo 8 disparos, todos desde posiciones privilegiadas. El segundo es mucho más fiable para mercados de goles porque su xG refleja ocasiones reales de gol, no volumen de disparo improductivo.

La Bundesliga es particularmente receptiva al análisis de xG porque su estilo de juego — transiciones rápidas, presión alta, espacios amplios — genera ocasiones claras con más frecuencia que ligas más tácticas como la Serie A o la Liga portuguesa. Eso hace que la correlación entre xG y goles reales sea más estrecha, lo que aumenta la fiabilidad de las predicciones basadas en esta métrica.

El xG como brújula, no como gps

Después de años trabajando con xG, mi conclusión es que esta métrica no reemplaza al análisis contextual — lo complementa. Un equipo puede tener un xG altísimo pero enfrentarse a un portero en estado de gracia. Un rival puede mostrar un xG bajo en las estadísticas pero haber dominado las transiciones de una forma que el modelo no captura completamente. El xG es una brújula que señala la dirección correcta, pero el apostador todavía necesita navegar el terreno con criterio propio. Para ver cómo el xG se conecta con otras métricas avanzadas como el PPDA, el análisis desde la guía principal de apuestas en la Bundesliga ofrece el marco completo.

Otra aplicación práctica del xG que la mayoría de apostadores ignora es la comparación entre xG generado y xG concedido a lo largo de varias jornadas. Un equipo que genera consistentemente más xG del que concede pero pierde puntos por mala fortuna en la conversión es un candidato natural a la reversión positiva. Los operadores tardan entre tres y cinco jornadas en ajustar las cuotas de un equipo así, lo que crea una ventana donde el Over de su próximo partido o la victoria contra rivales de nivel similar ofrece valor real. Esta es, en mi experiencia, una de las aplicaciones más rentables del xG en la Bundesliga: no usarlo como predictor puntual, sino como detector de equipos infravalorados a medio plazo.