Em 2022, o Sporting perdeu um jogo em casa contra uma equipa de meio da tabela da I Liga por 0-1. O resultado parecia claro: o adversario foi melhor. Só que os números contavam uma história completamente diferente. O Sporting teve um xG de 2.8 nesse jogo – o que significa que, com base na qualidade e posição dos remates, “deveria” ter marcado quase três golos. O adversario teve um xG de 0.4 e marcou na sua única oportunidade clara. Quem apostou no Sporting perdeu. Quem entendeu o xG percebeu que a equipa jogou bem é que o resultado foi uma anomalia estatística. Na jornada seguinte, com odds inflacionadas pela derrota, o Sporting era valor.
O xG – expected goals – tornou-se a métrica mais discutida no futebol moderno. Para o apostador, é muito mais do que uma curiosidade analítica: é uma ferramenta que revela a diferença entre o que aconteceu é o que deveria ter acontecido. E nessa diferença reside oportunidade.
O Que E o xG e Como E Calculado
O xG atribui a cada remate uma probabilidade de golo, baseada em fatores como a posição no campo, o ângulo em relação a baliza, a parte do corpo usada, o tipo de passe que originou o remate e se a jogada foi em contra-ataque ou em ataque posicional. Um remate de penalti tem um xG de aproximadamente 0.76 – 76% de probabilidade de golo. Um remate de fora da area, com o pe mais fraco, após receber de costas para a baliza, pode ter um xG de 0.02.
A soma do xG de todos os remates de uma equipa num jogo dá-te o xG total da equipa nesse jogo. Se o Benfica teve 15 remates com um xG total de 1.8, significa que, em média, uma equipa que crie aquelas exatas oportunidades marcaria 1.8 golos. Se o Benfica marcou 3, esteve acima da média. Se marcou 0, esteve abaixo. A longo prazo, os resultados tendem a convergir com o xG – mas no curto prazo, a variância é enorme.
Os modelos de xG variam entre fornecedores. O Understat, o FBref é o Opta usam metodologias ligeiramente diferentes, o que significa que o xG de um mesmo jogo pode variar consoante a fonte. Isto não invalida a métrica – apenas exige que sejas consistente na fonte que usas é que compreendas as suas limitações.
Aplicar xG na Análise de Mercados de Futebol
O futebol domina 71,8% das apostas desportivas em Portugal, é a I Liga – com 11,4% do total – é o terreno ideal para aplicar xG com vantagem. Porquê? Porque os operadores investem menos recursos de pricing na I Liga do que na Premier League, é as anomalias entre xG e resultados reais demoram mais a ser incorporadas nas odds.
A aplicação mais direta do xG é no mercado de golos (Over/Under). Se duas equipas que se vão defrontar têm uma média combinada de xG de 3.2 nas últimas 10 jornadas, o Over 2.5 merece atenção, mesmo que os resultados reais mostrem médias mais baixas. Isto porque os golos reais são afetados pela variância (um guarda-redes em dia inspirado, um poste, um desvio), enquanto o xG reflete a qualidade estrutural das oportunidades criadas.
No mercado 1X2, o xG ajuda a identificar equipas que estão a sobre-performar ou sub-performar. Uma equipa com 5 vitorias seguidas mas um xG que sugere empates consistentes está a viver acima das suas possibilidades. As odds refletem as vitorias reais; o xG avisa-te de que a regressão a média está a caminho. Apostar contra essa equipa quando as odds ainda refletem a sequência positiva pode ser value.
Nos mercados de jogador – marcador a qualquer momento, por exemplo – o xG por jogador e igualmente útil. Um avancado com poucos golos mas alto xG está a ser castigado pela falta de eficácia, não pela falta de oportunidades. As odds para ele marcar estarão inflacionadas pela sua seca golos, mas os dados sugerem que as oportunidades existem é que a conversão vai normalizar.
Limitações do xG e Complementos Estatisticos
Depois de anos a usar xG diariamente, tenho uma relação honesta com a métrica: e útil, não é mágica. A principal limitação é que o xG padrão não captura tudo. A qualidade individual do rematador não é considerada na maioria dos modelos básicos – um remate de fora da area de Cristiano Ronaldo não tem a mesma probabilidade que o mesmo remate de um defesa central, mas o xG básico trata-os de forma semelhante. Modelos mais avancados corrigem isto, mas são menos acessíveis.
Outra limitação: o xG não mede a qualidade defensiva de forma direta. Uma equipa pode ter um xG baixo contra porque defende bem antes do remate – cortando ataques, forçando posições de remate desfavoráveis – é isso não aparece no xG do adversario. Para capturar esta dimensão, métricas complementares como o PPDA (passes permitidos por ação defensiva) ou o xGA (expected goals against ajustado) são necessárias.
O xG também perde relevancia em amostras pequenas. Usar o xG de um único jogo para tirar conclusões e arriscado – a variância e demasiado alta. O ideal e trabalhar com médias de 5 a 10 jogos, ajustadas pela qualidade do adversario. Num campeonato como a I Liga, com 18 equipas e 34 jornadas, as amostras estabilizam razoavelmente a meio da época.
Complementos úteis ao xG incluem: xA (expected assists), que mede a qualidade dos passes de último terco; xT (expected threat), que avalia a progressão territorial; e dados de pressing que revelam a intensidade sem bola. Nenhuma métrica isolada conta a história completa – mas o xG é o melhor ponto de partida é o mais acessível para o apostador comum.
O xG Como Bússola, Não Como Mapa
O xG não te diz o que vai acontecer. Diz-te o que deveria ter acontecido – e, a partir dai, ajuda-te a estimar o que é provável. Trata-o como uma bússola que corrige o teu rumo quando os resultados te levam na direção errada. Se queres integrar o xG numa abordagem mais ampla de apostas com dados, a secção sobre value betting no guia prático enquadra esta métrica no processo completo de análise.