Calidad de tiro importa más que cantidad, y esto cambia cómo se modela un partido
Un partido de NHL con 35 tiros por lado puede acabar 1-1 o 5-5, dependiendo totalmente de qué tiros fueron esos 35. Ahí es donde entra expected goals. No te dice cuántos tiros hubo; te dice qué tan probable era que cada tiro acabara en gol, dadas todas las circunstancias en las que se lanzó.
Modelo expected goals en mi hoja de trabajo desde hace siete años y sigue siendo el predictor individual más útil que he encontrado para totales y puck lines. Los goles reales tienen varianza alta, fluctúan con suerte y con portero caliente o frío. El xG es mucho más estable partido a partido. Un equipo con xG de 3,5 por partido durante un mes va a marcar cerca de 3,5 por partido a largo plazo; puede que haya sido 5, 4, 2, 3 en partidos individuales. La varianza se come cualquier conclusión sacada de muestras pequeñas si no tienes xG como ancla.
Cómo se calcula un xG y qué variables entran en el modelo
Un modelo de xG asigna a cada tiro una probabilidad entre 0 y 1 de convertirse en gol. Si un tiro tiene xG de 0,08, significa que en la base de datos histórica de tiros con esas características, el 8% terminaron en gol. Si un jugador lanza diez tiros con xG medio de 0,08, su xG acumulado del partido es 0,80: «se esperaba que marcara 0,80 goles». Si marca uno, está ligeramente por encima. Si marca tres, está muy por encima (regresión esperada). Si marca cero, por debajo (posible regresión al alza en partidos siguientes).
Las variables clave que alimentan el modelo son siete: distancia desde portería, ángulo, tipo de tiro (muñequera, slap, backhand, tap-in), si viene tras rebote, si viene en jugada de rush (contragolpe), si es con portero desplazado por un cambio de lado rápido, y si es en power play o en igualdad numérica. Modelos públicos más sofisticados añaden el tiempo transcurrido desde el cambio de línea y el estado del marcador.
El detalle importante es que un tiro desde la línea azul contra un portero bien colocado tiene xG cercano a 0,02. Un tap-in desde zona de crease con portero desplazado puede tener xG cercano a 0,40. Esa diferencia de factor 20 es lo que explica que dos equipos con igual número de tiros puedan tener partidos totalmente distintos. Apostar al over total basándose solo en «este equipo lanza mucho» es ingenuo. Apostar al over basándose en «este equipo genera mucho xG» es mucho más robusto.
xGF porcentaje de equipo y su aplicación al mercado de totales
xGF% es el porcentaje de expected goals que genera un equipo del total de expected goals generados en el partido (propios más rivales). Un equipo con xGF% del 56% a cinco contra cinco durante una temporada está dominando territorialmente y con calidad: por cada tiro de calidad que encaja, genera casi 1,3 de calidad para él. Es la métrica más limpia para medir control territorial ajustado por calidad.
Para apuestas a totales, combino xGF% con volumen de tiros. Dos equipos con xGF% altos juntos generan totales sobre 5,5 con frecuencia. Dos equipos con xGF% bajos (defensa mala, poco finishing) también pueden generar overs porque encajan muchos goles aunque sean ellos mismos poco eficientes. El under 5,5 lo busco cuando enfrento un equipo con xGF% alto contra otro con xGF% medio y ambos porteros titulares confirmados: el equipo dominante genera pero no resuelve, y el rival aguanta.
Un cambio estructural reciente que me obliga a revisar mis parámetros: la proporción de tiros desde el área de portería (crease) pasó del 0,81% en 2020-21 al 2,32% en 2026, mientras el porcentaje de conversión desde esa zona cayó del 26,3% al 23,1%. Los equipos buscan más tiros cercanos pero el finishing ha bajado; probablemente los porteros leen mejor la zona tras cinco años de adaptación táctica. El xG por tiro en crease ha bajado, y eso hace que modelos entrenados con datos de 2019 sobrestimen totales en 2026. Me gusta recalibrar el parámetro una vez al año.
Finishing rate por encima o por debajo de xG: regresión a la media
La diferencia entre goles reales y xG se llama finishing rate ajustado. Un equipo que marca más goles que su xG es un «finisher por encima» en esa ventana; uno que marca menos es un «finisher por debajo». La lectura importante es: ese desempeño extraordinario tiende a revertir a la media con el tiempo.
Si un equipo lleva 15 partidos marcando un 25% más de goles que su xG, no es por casualidad sino porque: tiene un jugador élite en racha, tiene un portero rival complaciente en muestra, o está patinando con viento a favor de circunstancias. En las siguientes diez jornadas la probabilidad de que ese sobrerendimiento continúe es baja. Las casas tardan en ajustar sus líneas a la regresión esperada, y ahí vive el trade opuesto: un under del total del equipo que ha estado sobre-marcando durante un mes puede tener valor real si tu modelo de xG dice que deberían marcar menos.
Connor McDavid lideró la temporada 2026 con 138 puntos en 82 partidos. Es una cifra astronómica y sostenida, no ruido. McDavid finaliza por encima de su xG consistentemente desde hace años porque tiene habilidades que el modelo no captura bien (anticipación, decisión bajo presión, change of pace). Para jugadores así, el xG subestima. La lección práctica es que no todos los finishers por encima vuelven a la media: hay jugadores élite cuyo edge es estructural. Identificar cuál es cuál requiere muestras de varias temporadas.
Cómo encontrar xG gratis y qué fuentes son fiables
Las fuentes gratuitas públicas de xG NHL son varias, y su credibilidad varía. La regla rápida es: busca fuentes que documenten su metodología (qué variables usan, tamaño de muestra, calibración). Las fuentes que solo publican números sin explicar cómo los calculan son menos fiables, porque un xG mal calibrado es peor que no usar ninguno.
La propia NHL publica ahora métricas de calidad de tiro en la sección de stats avanzadas de su portal. No son xG etiquetados explícitamente, pero incluyen high-danger chances y distribución por zona, que son insumos directos del mismo concepto. Para el apostante manual, esa capa ya es suficiente.
Páginas de analistas independientes publican modelos xG públicos con calibración documentada. Los reviso periódicamente para cruzar contra mi propio modelo simple. Si tres fuentes distintas convergen en xG similar para un partido, confío más en el dato. Si divergen mucho, algo pasa con el matchup que ninguna está capturando bien, y es señal para mirar el partido con más atención antes de entrar en el mercado.
