Expected Goals (xG) en Hockey: Qué Son y Cómo Usarlos al Apostar
Micah Blake McCurdy, el analista detrás de HockeyViz, lo resumió de una forma que se me quedo grabada: los expected goals miden lo emocionante que resulta cada tiro para la afición. Un tiro desde el círculo central no emociona a nadie. Un tiro a bocajarro desde el slot hace que medio estadio se levante del asiento. El xG cuantifica esa diferencia, y para los apostadores, cuantificar la calidad de los tiros es la diferencia entre ver el hockey y entenderlo.
Si el Corsi te dice cuánto domina un equipo en volumen de juego, el xG te dice cuánto domina en calidad de juego. Son métricas complementarias, y usarlas juntas es lo que separa el análisis superficial del análisis que genera valor en las apuestas.
Cómo se calcula el xG: variables del modelo
La primera vez que intenté construir mi propio modelo de xG, subestimé la complejidad. Pensé que bastaba con la distancia del tiro a la portería y el angulo. Tenía razón en que esas son las variables más importantes, pero había una docena más que afinaban la predicción de forma significativa.
Un modelo de expected goals asigna a cada tiro una probabilidad de convertirse en gol, basándose en caracteristicas del tiro y del contexto en que se produce. La variable principal es la ubicación: un tiro desde el slot — la zona rectangular frente a la portería — tiene una probabilidad mucho mayor que uno desde la banda o desde detrás de la línea de gol. La distancia a la portería es el segundo factor: a menor distancia, mayor probabilidad.
Pero la ubicación y la distancia no cuentan toda la historia. Los modelos modernos incorporan el tipo de tiro — un slap shot desde la línea azul tiene diferente probabilidad que un wrist shot desde el círculo de faceoff — y si el tiro fue precedido por un pase, una jugada individual o un rebote. Los rebotes, en particular, tienen probabilidades de conversión significativamente más altas porque el portero está fuera de posición.
Otras variables incluyen si el tiro se produjo en una situación de rush — una transición rápida con ventaja numerica en el ataque — o en juego establecido en zona ofensiva, el tiempo transcurrido desde la última acción (un tiro rápido tras una recuperación de disco sorprende más al portero), y si había trafico frente a la portería que bloqueaba la visión del portero.
El resultado del modelo es un número: si un equipo generó tiros que suman un xG de 3.2, eso significa que, en promedio y a largo plazo, esos mismos tiros producirían 3.2 goles. Si el equipo marcó 5 goles con un xG de 3.2, tuvo una noche de suerte. Si marcó 1, tuvo una de mala suerte — o el portero rival estuvo excepcional.
xG frente a goles reales: detectar suerte y regresión
Hace dos temporadas seguí de cerca a un equipo que iba líder de su división con un récord impresionante pero cuyos números de xG contaban otra historia. Su xG For estaba ligeramente por debajo de la media, y su xG Against era peor que el de la mitad de la liga. Estaban ganando gracias a un portero en racha que paraba todo y a una tasa de conversión de tiros a goles muy por encima de lo sostenible. Era cuestión de tiempo que la regresión los alcanzara. Lo hizo en febrero — perdieron once de quince partidos y cayeron al cuarto puesto.
Esa historia ilustra el principio fundamental del xG para apuestas: la discrepancia entre goles reales y expected goals es un indicador de regresión futura. Si un equipo marca muchos más goles de los que su xG sugiere, es probable que su producción ofensiva baje. Si encaja muchos menos de lo esperado, es probable que empiece a encajar más.
El diferencial xG — la diferencia entre xG For y xG Against — es mi métrica favorita para evaluar la calidad real de un equipo. Un diferencial positivo indica un equipo que genera mejores oportunidades de las que concede, independientemente de los resultados puntuales. Un diferencial negativo indica lo contrario. Cuando un equipo con diferencial positivo tiene un récord por debajo de sus métricas, las cuotas lo reflejan como un equipo peor de lo que realmente es — y ahí está el valor.
La regresión a la media no es instantánea. Un equipo puede mantener un rendimiento por encima de su xG durante semanas o incluso meses si el portero está en forma excepcional. Pero los porteros en forma excepcional siempre regresan a su nivel real, y cuando lo hacen, los resultados del equipo se ajustan. Para el apostador, la paciencia es parte del proceso — la regresión llega, pero no siempre en el momento que esperas.
Aplicar xG a las cuotas NHL: identificar over/under y moneyline con valor
Tengo dos formas concretas de usar el xG en mis apuestas diarias, y ambas han demostrado generar rendimiento positivo a lo largo de múltiples temporadas.
La primera es para el mercado de over/under. Cuando dos equipos con xG For alto se enfrentan, la cantidad de tiros de calidad en ambas direcciones sube. Si además ambos porteros tienen un GSAx negativo — es decir, encajan más de lo esperado — la línea de totales del operador puede quedarse corta. Comparo la suma de los xG For de ambos equipos con la línea de totales publicada y, si hay una discrepancia de más de medio gol, apuesto al over. Lo contrario — dos equipos defensivos con xG Against bajo y porteros con GSAx positivo — me inclina hacia el under.
La segunda aplicación es para el moneyline. Busco equipos cuyo diferencial xG es significativamente mejor que su récord de victorias. Estos equipos están siendo «castigados» por el mercado por resultados que no reflejan su calidad subyacente. Cuando uno de estos equipos se enfrenta a un rival con diferencial xG peor pero mejor récord — un equipo que ha tenido suerte — las cuotas del primero como underdog pueden contener valor sustancial.
Un ejemplo simplificado: Equipo A tiene un diferencial xG de +0.4 por partido pero un récord de 12-14 en los últimos 26 partidos. Equipo B tiene un diferencial xG de -0.2 pero un récord de 16-10. El mercado asigna al Equipo A una cuota de underdog de 2.60. Mi análisis, basado en las métricas subyacentes, sugiere que la probabilidad real del Equipo A está más cerca del 42-45%, lo que implicaría una cuota justa de 2.20-2.38. Hay valor en el 2.60.
Los cinco equipos con mejor Corsi en 2023-24 también tenían diferenciales xG positivos, lo que refuerza la idea de que ambas métricas se complementan. Usar las dos juntas — Corsi para volumen, xG para calidad — proporciona una imagen más completa que cualquiera de ellas por separado. El mercado de apuestas de hockey, que generó 7 003 millones de dólares en 2024, se nutre cada vez más de esta analítica, y los apostadores que la adoptan antes ganan una ventaja temporal sobre los que siguen mirando solo la clasificación.
¿Es lo mismo xG en hockey que en fútbol?
El concepto es el mismo — asignar una probabilidad de gol a cada tiro basándose en sus caracteristicas — pero los modelos son diferentes. En fútbol, las variables incluyen si el tiro viene de un centro, una jugada combinativa o un penalti. En hockey, las variables incorporan rebotes, tipo de tiro (slap shot, wrist shot), rushes y trafico frente a la portería. Las probabilidades base también son distintas: un tiro medio en hockey tiene entre un 6% y un 9% de probabilidad de gol, mientras que en fútbol es ligeramente mayor debido al menor número de tiros por partido.
¿Qué fuentes gratuitas publican datos de xG de la NHL?
Las fuentes más fiables y accesibles son Natural Stat Trick, Hockey Stat Cards y MoneyPuck. Cada una usa un modelo de xG ligeramente diferente, lo que significa que los números varian entre fuentes, pero las tendencias generales son consistentes. Para apuestas, recomiendo usar una sola fuente de forma consistente — cambiar entre modelos introduce ruido innecesario. Natural Stat Trick es mi referencia habitual por la granularidad de sus filtros y la actualización diaria de datos.
Creado por la redacción de «nhl Apuestas».
